Business Intelligence avec SQL Server 2005 : Mise en oeuvre d'un projet décisionnel 210050536X, 9782100505364 [PDF]

Zitiervorschau

TYPE D’OUVRAGE L'ESSENTIEL

SE FORMER

RETOURS D'EXPÉRIENCE

MANAGEMENT DES SYSTÈMES D'INFORMATION

ÉTUDES, DÉVELOPPEMENT, INTÉGRATION EXPLOITATION ET ADMINISTRATION

BUSINESS INTELLIGENCE AVEC SQL SERVER 2005

RÉSEAUX & TÉLÉCOMS

Mise en œuvre d'un projet décisionnel Ce livre s’adresse aux directeurs informatiques, administratifs, financiers et opérationnels, ainsi qu’à tout responsable informatique ayant à mettre en œuvre des systèmes décisionnels. Il intéressera aussi les consultants et les architectes en systèmes d’information. On assiste aujourd'hui à une démocratisation de l'informatique décisionnelle. Chaque décideur qui le souhaite peut désormais disposer de puissants outils d'analyse, de reporting ou de data mining. Cet ouvrage donne un cadre méthodologique à la mise en œuvre d’un projet décisionnel complet, en s’appuyant sur les nouvelles fonctions de Business Intelligence offertes par SQL Server 2005. Après avoir passé en revue les principes fondamentaux qui président à la réalisation d’un projet décisionnel, il identifie les pièges à éviter et les facteurs clés de succès. Il montre ensuite comment une solution de Business Intelligence peut analyser les renseignements stratégiques de l'entreprise, quels sont les différents indicateurs disponibles, et comment les interpréter pour définir des cibles, des prévisions ou des tendances. Des cas concrets expliquent comment mettre en œuvre la Business Intelligence dans l’entreprise avec SQL Server 2005. De nombreuses ressources complémentaires sont disponibles sur le site www.buroformatic.com.

6639389 ISBN 978-2-10-050536-4

www.dunod.com

BERTRAND BURQUIER est consultant et ingénieur en systèmes d’information, spécialisé dans la Business Intelligence. Il dirige depuis 1985 le cabinet de conseil BuroFormatic. Il est également formateur en entreprise et enseigne la Business Intelligence à l’Institut de management de l’université de Savoie.

BUSINESS INTELLIGENCE

APPLICATIONS MÉTIERS

Bertrand Burquier

APPLICATIONS & MÉTIERS

B. BURQUIER

INFOPRO

BUSINESS INTELLIGENCE AVEC

SQL SERVER 2005 Mise en œuvre d'un projet décisionnel

Bertrand Burquier

burquier_prelims.fm Page I Vendredi, 8. décembre 2006 2:01 14

BUSINESS INTELLIGENCE AVEC

SQL SERVER 2005 Mise en œuvre d’un projet décisionnel

Bertrand Burquier Consultant et ingénieur en systèmes d’information

burquier_prelims.fm Page II Vendredi, 8. décembre 2006 2:01 14

Toutes les marques citées dans cet ouvrage sont des marques déposées par leurs propriétaires respectifs. Photographie de couverture : Bertrand Burquier Lac d’Annecy

© Dunod, Paris, 2007 ISBN 978-2-10-050536-4

Table des matières

Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1

Chapitre 1 – La business intelligence . . . . . . . . . . . . . . . . . . . . . .

5

1.1 La business intelligence pour qui, pour quoi ? . . . . . . . . . . . . . . .

5

1.2 Objectifs et enjeux du décisionnel . . . . . . . . . . . . . . . . . . . . .

7

1.3 Le processus de décision ou le facteur humain dans la prise de décision .

7

1.3.1 Comprendre les besoins d’aide à la décision . . . . . . . . . . . . . . .

8

1.3.2 Agir, analyser, décider, agir… . . . . . . . . . . . . . . . . . . . . .

9

1.3.3 Tableau de bord et business intelligence . . . . . . . . . . . . . . . . .

11

1.3.4 En quoi la BI est-elle utile à l’entreprise ? . . . . . . . . . . . . . . . .

14

1.4 Les modèles d’accès à l’information . . . . . . . . . . . . . . . . . . . . .

25

1.4.1 La dictature de l’information . . . . . . . . . . . . . . . . . . . . . .

25

1.4.2 L’anarchie de l’information . . . . . . . . . . . . . . . . . . . . . . .

26

1.4.3 La démocratie de l’information . . . . . . . . . . . . . . . . . . . . .

26

Chapitre 2 – L’approche méthodologique . . . . . . . . . . . . . . . . . . . .

29

2.1 Les étapes d’un projet informatique . . . . . . . . . . . . . . . . . . . . .

30

2.1.1 Le cycle en V . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

30

2.1.2 La méthode agile . . . . . . . . . . . . . . . . . . . . . . . . . . . .

30

2.1.3 L’étude de faisabilité . . . . . . . . . . . . . . . . . . . . . . . . . .

32

2.1.4 Le cycle de vie du projet BI selon Ralph Kimball . . . . . . . . . . . .

33

IV

——————————————————————————————————————————————————

Business Intelligence avec SQL Server 2005

2.2 Pourquoi un tableau de bord ? . . . . . . . . . . . . . . . . . . . . . . . .

34

2.3 Les différents types d’indicateurs . . . . . . . . . . . . . . . . . . . . . . .

35

. . . . . . .

36 37 38 39 41 42 43

2.4 Deux mondes différents : OLTP et DW . . . . . . . . . . . . . . . . . . .

45

2.3.1 2.3.2 2.3.3 2.3.4 2.3.5 2.3.6 2.3.7 2.4.1 2.4.2 2.4.3 2.4.4 2.4.5

Fonction Commerciale . . . . . . . . . . . . . . Fonction Direction générale . . . . . . . . . . . Fonction Ressources humaines . . . . . . . . . . Fonction Production et recherche – développement Fonction Logistique et approvisionnements . . . . Fonction Achats . . . . . . . . . . . . . . . . . Fonction Informatique – Études – Exploitation .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

Qu’est-ce qu’une transaction ? . . . . . . . . . . . . . . Les utilisateurs et les gestionnaires . . . . . . . . . . . . La dimension temporelle . . . . . . . . . . . . . . . . . Le modèle de données entité-relation pour les développeurs Le modèle dimensionnel pour les analystes . . . . . . . .

. . . . . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . . .

53 55 56 56

2.6 OLAP ou reporting ? . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

57

2.7 Le processus décisionnel avec SQL server 2005 . . . . . . . . . . . . . . . . . . . . . . . . . . . .

61

2.8 Les erreurs à éviter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

62

2.8.1 Le facteur Humain . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.8.2 Le facteur Technique . . . . . . . . . . . . . . . . . . . . . . . . . .

62 65

2.9 Les règles du succès . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

67

2.9.1 Règle 1 – Comprendre les utilisateurs . . . . . . . . . . . . . . . . . . 2.9.2 Règle 2 – Distinguer les décisions stratégiques ou tactiques . . . . . . . .

67 68

2.10 Construire le tableau matriciel des besoins . . . . . . . . . . . . . . . . .

69

Chapitre 3 – Comment représenter les données ? . . . . . . . . . . . . . . . .

73

3.1 Concepts généraux et pratiques . . . . . . . . . . . . . . . . . . . . . . .

74

3.1.1 Tableaux ou graphiques ? . . . . . . . . . . . . . . . . . . . . . . . . 3.1.2 Données quantitatives ou catégorielles ? . . . . . . . . . . . . . . . . .

74 75

Le modèle transactionnel (OLTP) . . Le modèle multidimensionnel (OLAP) Synthèse OLTP et OLAP . . . . . . Modèle simplifié FASMI . . . . . . .

. . . .

. . . . .

. . . . . . .

. . . .

2.5.1 2.5.2 2.5.3 2.5.4

. . . .

. . . . .

. . . . . . .

53

. . . .

. . . . .

. . . . . . .

2.5 Comparatif des deux modèles de stockage des données . . . . . . . . . . . . . . .

. . . . .

. . . . . . .

46 46 47 49 49

. . . .

. . . . .

. . . . . . .

. . . . .

. . . .

. . . . .

. . . . . . .

. . . .

Table des matières

———————————————————————————————————————————————————————————————————————

V

3.2 Les nouveaux outils offerts par le complément Proclarity . . . . . . . . .

84

3.2.1 L’arbre de décomposition . . . . . . . . . . . . . . . . . . . . . . . . 3.2.2 La carte de performance . . . . . . . . . . . . . . . . . . . . . . . . 3.2.3 La vue en perspective . . . . . . . . . . . . . . . . . . . . . . . . . .

84 85 86

Chapitre 4 – Entrepôt de données et analyse décisionnelle . . . . . . . . . .

89

4.1 Architecture de la plate-forme décisionnelle . . . . . . . . . . . . . . . .

92

4.2 Les améliorations de SQL Server 2005 par rapport à la version 2000 . . .

94

4.2.1 Actuellement, comment développons-nous un projet BI ? . . . . . . . . 4.2.2 Quels sont les défis à relever ? . . . . . . . . . . . . . . . . . . . . .

94 94

4.3 Les nouveaux composants dans SQL Server 2005 . . . . . . . . . . . . .

96

4.3.1 4.3.2 4.3.3 4.3.4

Les vues des sources de données (Data Source Views, DSV) Les cubes et UDM . . . . . . . . . . . . . . . . . . . . . Les perspectives . . . . . . . . . . . . . . . . . . . . . . . Le cache proactif . . . . . . . . . . . . . . . . . . . . . .

. . . .

. . . .

96 97 97 98

. . . . . . . . .

98

4.4.1 La mise en miroir des bases de données . . . . . . . . . . . . . . . . . 4.4.2 Une création facilitée de rapports sous SAP NetWeaver business intelligence . . . . . . . . . . . . . . .

98

4.5 Les services de notification . . . . . . . . . . . . . . . . . . . . . . . . .

99

Chapitre 5 – Introduction à Integration Services . . . . . . . . . . . . . . . .

101

5.1 Présentation de SQL Server Integration Services (SSIS) . . . . . . . . .

101

5.2 Migrer un package DTS 2000 . . . . . . . . . . . . . . . . . . . . . . . .

112

5.3 Migrer une base SQL Server 2000 vers SQL Server 2005 . . . . . . . . .

113

5.4 Tâches d’intégration services . . . . . . . . . . . . . . . . . . . . . . . .

114

5.5 Composants des flux de données . . . . . . . . . . . . . . . . . . . . . .

129

Chapitre 6 – Règles d’ETL et assistants . . . . . . . . . . . . . . . . . . . .

145

6.1 Utiliser l’assistant pour générer un lot import . . . . . . . . . . . . . . .

146

4.4 Les améliorations apportées avec SQL Server 2005 SP1

6.1.1 6.1.2 6.1.3 6.1.4 6.1.5 6.1.6

Créer le projet d’importation . . . . . . . . . . . . Exécuter le lot . . . . . . . . . . . . . . . . . . . Modifier le lot . . . . . . . . . . . . . . . . . . . Migration de lots DTS de la version 2000 vers 2005 Déploiement de packages SSIS . . . . . . . . . . . Automatisation de l’exécution des packages . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . .

. . . . . .

. . . .

. . . . . .

. . . .

. . . . . .

. . . .

. . . . . .

. . . . . .

99

146 154 155 163 167 169

VI

——————————————————————————————————————————————————

Business Intelligence avec SQL Server 2005

6.2 Concept de packages dynamiques . . . . . . . . . . . . . . . . . . . . . . 171 6.2.1 6.2.2 6.2.3 6.2.4

Les expressions . . . . . Les variables . . . . . . . Les configurations . . . . La gestion des événements

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

171 172 174 176

6.3 Planification du projet ETL . . . . . . . . . . . . . . . . . . . . . . . . . 176 6.3.1 La carte de haut niveau . . . . . . . . . . . . . . . . . . . . . . . . . 176 6.4 Les 38 règles qui régissent l’ETL . . . . . . . . . . . . . . . . . . . . . . . 177 Chapitre 7 – Analysis Services . . . . . . . . . . . . . . . . . . . . . . . . . . 179 7.1 OLAP et le data mining . . . . . . . . . . . . . . . . . . . . . . . . . . . 180 7.2 Points d’amélioration entre Analysis 2000 et SSAS 2005 . . . . . . . . . 183 7.3 Méthodologie de création d’une base de données depuis une source existante . . . . . . . . . . . . . . . . . . . . . . . . . 192 7.4 Création de notre premier cube . . . . . . . . . . . . . . . . . . . . . . . 194 7.4.1 7.4.2 7.4.3 7.4.4

Mesures . . . . . . . . . . . . . . . . . . . . Dimensions . . . . . . . . . . . . . . . . . . Le schéma en flocons . . . . . . . . . . . . . Créer le projet « Mon Premier Cube » à l’aide de l’environnement UDM d’Analysis Services .

. . . . . . . . . . . . . 197 . . . . . . . . . . . . . 197 . . . . . . . . . . . . . 198 . . . . . . . . . . . . . 199

7.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 227 Chapitre 8 – Méthode de conception des cubes avec SSAS . . . . . . . . . . . 229 8.1 Organisation logique des cubes . . . . . . . . . . . . . . . . . . . . . . . 230 8.1.1 8.1.2 8.1.3 8.1.4 8.1.5 8.1.6 8.1.7 8.1.8 8.1.9 8.1.10 8.1.11

Définition de la structure OLAP . Définir les dimensions . . . . . . Modification du cube . . . . . . L’utilisation des dimensions . . . Les calculs . . . . . . . . . . . . Ajouter de la business intelligence Les indicateurs clé de performance Les actions . . . . . . . . . . . . Les perspectives . . . . . . . . . Les traductions . . . . . . . . . Le navigateur de données . . . .

. . . . . . . . . . . . . . . . . . . . . . . . (KPI) . . . . . . . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

230 232 239 242 244 245 246 249 249 250 250

Table des matières

———————————————————————————————————————————————————————————————————————

8.2 L’organisation physique du cube . . . . . . . . . . . . . . . . . . . . . .

250 252 253 256 257

8.3 Recommandations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

258

Chapitre 9 – Le data mining . . . . . . . . . . . . . . . . . . . . . . . . . . .

259

9.1 Méthodologie de création du modèle de data mining . . . . . . . . . . .

260

Chapitre 10 – Reporting Services . . . . . . . . . . . . . . . . . . . . . . . .

289

10.1 Qu’est-ce que Reporting Services ? . . . . . . . . . . . . . . . . . . . . .

289

10.1.1 À quoi sert Reporting Services ? . . . . . . . . . . . . . . . . . . . . . 10.1.2 Fonctionnalités de Reporting Services . . . . . . . . . . . . . . . . . .

290 291

10.2 La création de rapport . . . . . . . . . . . . . . . . . . . . . . . . . . . .

294

10.3 La gestion des rapports . . . . . . . . . . . . . . . . . . . . . . . . . . .

308

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . . . .

. . . . .

. . . . . . .

. . . . .

. . . . . . .

. . . . .

. . . . . . .

. . . . .

. . . . . . .

. . . . .

. . . . . . .

. . . . .

309 318 318 321 323

10.4 Reporting à la demande avec Report Builder . . . . . . . . . . . . . . .

324

10.3.1 10.3.2 10.3.3 10.3.4 10.3.5

. . . . .

. . . . . . .

. . . . .

287

. . . . .

. . . . . . .

. . . . .

9.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . .

. . . . . . .

. . . . .

265 265 270

. . . . .

. . . . . . .

. . . . .

9.3.1 Créer la source des données . . . . . . . . . . . . . . . . . . . . . . . 9.3.2 Créer la vue de source des données . . . . . . . . . . . . . . . . . . . 9.3.3 Créer le modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . .

. . . . . . .

. . . . .

264

. . . . .

. . . . . . .

. . . . .

9.3 Créer le modèle d’une campagne ciblée . . . . . . . . . . . . . . . . . .

. . . . .

. . . . . . .

. . . . .

262

. . . . .

. . . . . . .

. . . . .

9.2 Quelles sont les tâches du data mining ? . . . . . . . . . . . . . . . . . .

La sécurité . . . . . . . . Les rapports liés . . . . . . L’exécution de rapports . . L’historisation des rapports Abonnements aux rapports

. . . . . . .

. . . . .

260 261 261 261 261 262 262

Définition du problème à résoudre . Préparation des données . . . . . . Construction du schéma de données Création du modèle . . . . . . . . . Exploration du modèle . . . . . . . Validation du modèle . . . . . . . . Déploiement du modèle . . . . . . .

. . . . . . .

. . . . .

. . . . . . .

9.1.1 9.1.2 9.1.3 9.1.4 9.1.5 9.1.6 9.1.7

. . . . . . .

. . . . . . . . cube ? . . . . . . . .

250

. . . . .

8.2.1 8.2.2 8.2.3 8.2.4 8.2.5

Les groupes de mesures et les partitions . . Les différents modes de stockage . . . . . Comment SSAS rafraîchit-il les données du Paramétrer les agrégations . . . . . . . . Processus de mise à jour des cubes . . . .

VII

. . . . .

VIII

——————————————————————————————————————————————————

Business Intelligence avec SQL Server 2005

10.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 329 Chapitre 11 – L’analyse de données avec Excel . . . . . . . . . . . . . . . . . 331 11.1 L’analyse ad hoc grâce aux tableaux croisés dynamiques . . . . . . . . . . 332 11.2 Complément Microsoft Office Excel pour SQL Server Analysis Services . . . . . . . . . . . . . . . . . . . . . 340 11.3 Reporting interactif sur le web avec OWC . . . . . . . . . . . . . . . . . 344 11.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 345 Chapitre 12 – L’analyse de données sur le Web . . . . . . . . . . . . . . . . . 347 12.1 Proclarity for Business Scorecard Manager . . . . . . . . . . . . . . . . . . 348 12.1.1 L’arbre de décomposition . . . . . . . . . . . . . . . . . . . . . . . . 348 12.1.2 La carte de performance . . . . . . . . . . . . . . . . . . . . . . . . . 350 12.1.3 La vue en perspective . . . . . . . . . . . . . . . . . . . . . . . . . . 351 12.2 Proclarity Analytics Server (PAS) . . . . . . . . . . . . . . . . . . . . . . . 351 12.3 Dashboard Server . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 358 12.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 359 Chapitre 13 – Passez à l’action ! . . . . . . . . . . . . . . . . . . . . . . . . . 361 13.1 Les caractéristiques du chef de projet décisionnel

. . . . . . . . . . . . . 362

13.2 Quel est le retour sur investissement ? . . . . . . . . . . . . . . . . . . . . 365 13.3 Faire une offre de solution décisionnelle . . . . . . . . . . . . . . . . . . 368 Un ETL d’entreprise, Integration Services . . . . . . . Un SGBD pour la gestion des gros volumes de données Une architecture qui garantit la disponibilité des données Compatibilité, ouverture . . . . . . . . . . . . . . . . Productivité dans le développement d’applications liées à SQL Server 2005 . . . . . . . . . . . . . . . . 13.3.6 Administration renforcée . . . . . . . . . . . . . . . . 13.3.7 Sécurité . . . . . . . . . . . . . . . . . . . . . . . . 13.3.8 Analysis Services . . . . . . . . . . . . . . . . . . . 13.3.9 Reporting . . . . . . . . . . . . . . . . . . . . . . . 13.3.10 Donner un véritable cockpit de pilotage de l’activité adapté aux différents niveaux de l’organisation . . . .

13.3.1 13.3.2 13.3.3 13.3.4 13.3.5

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

369 370 371 371

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

371 372 372 372 372

. . . . . . . . . 373

13.4 Comment mettre en place un projet décisionnel ? . . . . . . . . . . . . . 374 13.4.1 Objectifs de la preuve de faisabilité . . . . . . . . . . . . . . . . . . . . 375 13.4.2 Faisabilité sur site . . . . . . . . . . . . . . . . . . . . . . . . . . . . 375

Table des matières

13.4.3 13.4.4 13.4.5 13.4.6

———————————————————————————————————————————————————————————————————————

Livrables . . . . . . . . . . . . . . . . . Planning pour le déploiement de la solution Prototype/pilote . . . . . . . . . . . . . . Opérations . . . . . . . . . . . . . . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

IX

. . . .

375 375 376 376

13.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

376

Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

377

Bibliographie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

379

A – Petit historique de la BI . . . . . . . . . . . . . . . . . . . . . . . . . . .

383

B – Le marché mondial de la BI aujourd’hui . . . . . . . . . . . . . . . . . .

386

C – Les différentes versions de SQL Server 2005 . . . . . . . . . . . . . . .

391

D – Les profils d’apprentissage des différents acteurs de la BI . . . . . . . .

395

E – Glossaire de la BI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

405

Index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

417

Introduction

« Voudriez-vous me dire, s’il vous plaît, quel chemin je dois prendre pour m’en aller d’ici ? – Cela dépend beaucoup de l’endroit où tu veux aller, répondit le chat. – Peu m’importe l’endroit… dit Alice. – En ce cas, peu importe la route que tu prendras, répliqua-t-il. – … pourvu que j’arrive quelque part, ajouta Alice en guise d’explication. Oh, tu ne manqueras pas d’arriver quelque part, si tu marches assez longtemps. » Alice au Pays des Merveilles – Lewis Carroll Bien longtemps, l’informatique décisionnelle a été réservée à des secteurs d’activité friands de reporting financiers et d’analyse marketing, tels que les banques, les assurances et plus généralement les grands comptes. Ces organisations étaient les seules à tirer parti d’investissements lourds aussi bien en termes d’équipes projet qu’en termes d’infrastructures matérielles et logicielles. Le coût d’un projet décisionnel n’était jamais inférieur à 0,5 m€ et dépassait fréquemment 1,5 m€. Dès le début des années quatre-vingt-dix, partant du constat que les ERP (ou programmes de gestion intégrés, PGI) étaient dans l’incapacité de fournir des éditions et rapports synthétiques personnalisés, de nouveaux acteurs tels que Hyperion, Business Objects et Cognos, ont apporté une réponse en matière de restitution de l’information. Un nouveau type d’organisation des données appelées hypercubes OLAP, et de nouvelles interfaces ont permis aux managers d’accéder à leurs données.

2

—————————————————————————————————————————————————————————————————————————————

Introduction

Cependant, la complexité de mise en œuvre du datawarehouse et la création des cubes multidimensionnels demeurait forte. Si bien qu’un certain nombre de grands éditeurs ont tenté de développer des applications analytiques « métier ». Celles-ci ont eu tendance, comme les ERP quelques années plus tôt, à faire entrer l’entreprise dans un schéma analytique standard tout en faisant de nouveau exploser la facture finale. Le véritable lifting de l’informatique décisionnelle a eu lieu en 2000, lorsque Microsoft, qui n’était alors que challenger, rendit disponible la version SQL Server 2000. Outre le fait que l’éditeur cherchait à s’imposer sur le marché des SGBD face à Oracle et IBM, le leader mondial des logiciels introduisait le germe de la business intelligence par l’ajout d’un composant décisionnel appelé Analysis Services. L’organe d’observation indépendant OlapReport a mesuré la progression fulgurante de Microsoft en termes de parts de marché OLAP. Dès 2002, l’éditeur de Redmond a pris la place de leader mondial pour ne jamais plus la quitter. L’arrivée de SQL Server 2005, disponible depuis le 8 novembre 2005, a eu un grand retentissement. Cette nouvelle version intègre les développements les plus récents en matière de business intelligence. Les développeurs et administrateurs de bases de données ont été entendus et disposent désormais d’outils complets à tous les niveaux de la fabrication de la chaîne de valeur de l’information. Malgré ces avancées technologiques, le constat est affligeant. Aujourd’hui, la plupart des entreprises, y compris les PME/PMI, disposent d´une masse d´informations de plus en plus importante sur leurs clients, leurs ventes, leurs produits, leurs fournisseurs leurs concurrents… dont elles ne font rien ! Croisées, analysées, filtrées, ces informations pourraient pourtant devenir un formidable tremplin pour se différencier de la concurrence, améliorer les résultats de l’entreprise, suivre avec précision ses activités ou fidéliser les clients. Les entrepreneurs avisés sont pourtant demandeurs de synthèses rapides, de tableaux de bord clairs pour ne plus piloter leur entreprise à l’intuition. Il est pourtant évident que les informations stockées dans les nombreux silos de données répartis dans l’entreprise ne peuvent plus être traitées de manière artisanale. Il n’est pas rare de constater que certains cadres passent leur temps à ressaisir dans Excel des données puisées dans des documents fournis par les systèmes opérationnels (ERP, comptabilité, stocks, production, ventes, RH, etc.). L’objectif est cependant louable : il s’agit de créer son tableau de bord personnel. Naturellement chaque division procède de la même manière pour élaborer son propre tableau de synthèse. Par conséquence, lorsque les cadres se réunissent en comité interdépartementaux, il n’est pas rare d’observer des synthèses incohérentes

Introduction

—————————————————————————————————————————————————————————————————————————————

3

ou contradictoires. Au-delà du fait que l’informatique est une fois de plus montrée du doigt et discréditée, les décisions qui devraient naturellement découler de ces réunions sont reportées sine die. En revanche, les entreprises concurrentes qui ont déployé des outils de business intelligence perdent moins de temps en réunion et en discussion stériles, car les indicateurs sont en permanence connus de tous, chaque cadre opérationnel disposant des leviers permettant d’agir avec intelligence dans des délais très courts. Que signifie le terme « intelligence » ? Le Petit Larousse donne la définition suivante : « faculté de connaître, de comprendre ». Et l’expression « business intelligence » ? Wikipedia (encyclopédie libre sur le net) donne la définition suivante de la business intelligence (ou informatique décisionnelle) : « L’informatique décisionnelle (DSS, Decision Support System ou encore BI, business intelligence) désigne les moyens, les outils et les méthodes qui permettent de collecter, consolider, modéliser et restituer les données d’une entreprise en vue d’offrir une aide à la décision et de permettre aux responsables de la stratégie d’une entreprise d’avoir une vue d’ensemble de l’activité traitée. » Cet ouvrage a pour ambition d’offrir une vision méthodologique de la fabrication de la chaîne décisionnelle, un état de l’art des outils disponibles, ainsi qu’un mode opératoire permettant de réaliser vous-même le déploiement de fonctions de business intelligence au service du métier de votre entreprise. Public concerné La business intelligence en tant qu’outil de pilotage s’adresse essentiellement aux décideurs confrontés chaque jour à des choix stratégiques et tactiques dans leur entreprise. Il est donc bien naturel que les dirigeants (direction générale et directions opérationnelles) disposent d’un langage commun partagé avec les techniciens de l’information. Cet ouvrage leur est particulièrement destiné car il présente une méthodologie de valorisation de l’information à des fins stratégiques. Les contrôleurs de gestion, directions financières, commerciales, marketing, ressources humaines, production verront les aides que peut apporter la business intelligence à leurs tâches quotidiennes. Les directeurs informatiques, responsables informatiques et bureautiques, disposeront d’une méthode de mise en œuvre de la chaîne décisionnelle au service des acteurs opérationnels de l’entreprise.

4

—————————————————————————————————————————————————————————————————————————————

Introduction

Les consultants, architectes et urbanistes en systèmes d’information, assistants à maîtrise d’ouvrage, chef de projet informatique, étudiants en informatique de gestion disposeront d’un outil méthodologique basé sur des cas concrets d’entreprise. Ils disposeront d’une panoplie d’outils leur permettant de réaliser rapidement des projets décisionnels. Les SSII soucieuses d’apporter des prestations nouvelles à leurs clients, les organismes de formation, les sociétés de VPC, les hébergeurs d’applications sur Internet, les banques et assurances, les sociétés de service, les sociétés fiduciaires, les sociétés industrielles quelle que soit leur taille découvriront avec intérêt le potentiel de la business intelligence. Objectifs à atteindre L’objectif de cet ouvrage est de fournir aux dirigeants la culture nécessaire à la compréhension des méthodes et outils nécessaires à la mise en œuvre du tableau de bord de l’entreprise. Il permet également de comprendre les mécanismes sousjacents qui participent à la fabrication de la chaîne décisionnelle. L’informatique décisionnelle se fonde sur des concepts spécifiques et un vocabulaire approprié détaillés en annexe. Il a également pour objectif d’aider à définir les étapes clés d’un projet décisionnel, identifier les processus métier, modéliser les données métier, identifier les outils qui participent à la conception du datawarehouse, comprendre les outils d’analyse et de restitution. Communiquer avec ses partenaires grâce à un portail décisionnel. Quelles sont les qualités et compétences requises pour être un bon chef de projet décisionnel ? Calculer le retour sur investissement et faire une offre concrète sont souvent évoqués dans la littérature décisionnelle mais rarement explicités. L’auteur de cet ouvrage espère participer au mouvement de la démocratisation du décisionnel dans les petites et moyennes entreprises. Les séminaires de formation qu’il anime sur le sujet montrent bien l’intérêt croissant que tous les acteurs de l’entreprise portent à ce domaine. L’auteur espère qu’à travers cet ouvrage, un dialogue constructif s’établira entre les deux mondes, parfois éloignés, qu’il rencontre dans ses consultations : les informaticiens et les managers d’entreprise.

1 La business intelligence

1.1 LA BUSINESS INTELLIGENCE POUR QUI, POUR QUOI ? Aide à la décision, datawarehouses, entrepôts de données, ETL, EIS, SIAD, structures multidimensionnelles OLAP, business intelligence, extranets, portails décisionnels, datamarts… les acronymes et termes relatifs à la business intelligence sont particulièrement riches. Mais ces termes abondants, parfois abscons, qui reviennent de manière récurrente dans la bouche des spécialistes, ne permettent pas d’offrir aux acteurs de l’entreprise une vision claire sur le sujet. D’un côté, les discours marketing centrés sur la BI s’adressent à la population parfaitement identifiée des dirigeants opérationnels des entreprises. Il s’agit d’offrir des solutions particulièrement innovantes autour du métier du dirigeant. Nous verrons dans le chapitre suivant le large éventail des domaines dans lesquels la BI offre des réponses concrètes. De l’autre côté les éditeurs de logiciels de BI s’adressent aux informaticiens dans le but bien naturel de réaliser des volumes importants de licences. Le discours est dans ce cas très technique et s’attache à mettre en avant les performances, la simplification et la richesse des fonctionnalités des produits. Entre ces deux mondes, il réside un fossé d’incompréhension. Pourquoi ? Les dirigeants opérationnels (finance, marketing, commercial, RH…) ont un besoin crucial d’informations concernant le déroulement de leur activité. Ils réclament régulièrement des rapports nouveaux auprès des informaticiens dans le but de satisfaire des besoins d’analyse de l’activité immédiate de l’entreprise. Dans le

6

—————————————————————————————————————————————————————————————————

1. La business intelligence

meilleur des cas, un délai de quelques jours sera nécessaire aux programmeurs pour délivrer lesdits rapports. Dans le pire des cas ces développements ne verront jamais le jour soit de par la « complexité apparente » de la demande, soit tout simplement par la non-disponibilité des développeurs, très chargés par ailleurs. En réalité, on s’aperçoit que les métiers de l’informatique évoluent vers des tâches d’administration de systèmes d’information de plus en plus complexes, qui nécessitent tous les jours davantage de soins et d’attention, sans parler de la sécurité omniprésente. Paradoxalement, l’informaticien est de plus en plus au service de la machine et de moins en moins au service du métier de l’entreprise. Malgré des réussites évidentes, le déploiement des ERP (progiciels de gestion intégrée) a nécessité des ressources importantes dans les entreprises qui les ont mis en place. Des équipes de projet se sont bien souvent épuisées à faire entrer le métier de l’entreprise dans des standards. Tout naturellement, les entreprises ont donc « standardisé » leur métier. Elles cherchent aujourd’hui, à juste titre, des facteurs de différenciation. La business intelligence est un système permettant aux dirigeants d’analyser et d’interpréter, à l’aide d’outils simples, les données complexes de l’entreprise et de son environnement économique. Les données brutes sont transformées et restituées dans des entrepôts structurés, afin de permettre d’analyser et de suivre les indicateurs stratégiques de l’entreprise. Ces outils doivent permettre de découvrir et de partager la stratégie à tous les niveaux de l’entreprise. Grâce à ses outils « multidimensionnels » la BI est particulièrement adaptée à l’analyse immédiate. Elle offre la capacité de suivre au quotidien les indicateurs métiers et de les comparer aux objectifs opérationnels définis par la direction. Bien sûr, le discours marketing ambiant tente de démontrer qu’il suffit d’acquérir tel ou tel produit décisionnel pour que la magie opère. Comme on dit communément, « si c’était aussi simple ça se saurait ». À quoi serviraient alors les SSII, les intégrateurs et les consultants spécialisés en systèmes décisionnels ? Seraient-ils devenus inutiles parce que les éditeurs ont mis en place des assistants visant à simplifier le processus de création de la chaîne décisionnelle ? Rien n’est moins sûr. Nous verrons au fil de cet ouvrage les pièges qu’il est nécessaire de connaître avant d’entreprendre un projet BI. Nous découvrirons que la phase la plus délicate de la chaîne décisionnelle ne réside ni dans la conception du cube, ni dans la restitution. Nous verrons également qu’un cadre méthodologique est nécessaire à la création de l’entrepôt de données, centre névralgique des applications décisionnelles.

1.2 Objectifs et enjeux du décisionnel

———————————————————————————————————————————————————————

7

Toute interrogation métier, selon qu’elle est stratégique ou tactique, nécessite des outils appropriés qu’il faut identifier dans la panoplie offerte par les éditeurs de logiciels. Nous verrons quels processus se mettent en place lors de la prise de décision. Nous montrerons comment, grâce à des outils appropriés, être tantôt l’architecte du projet, tantôt le « consommateur » de l’information. Chaque rôle, très complémentaire, revêt une importance capitale dans la mise en œuvre de la BI en entreprise.

1.2 OBJECTIFS ET ENJEUX DU DÉCISIONNEL L’objectif d’un système décisionnel est de : • connaître; • mesurer; • prévoir; • agir. Les moyens pour y parvenir sont : • une information riche, pertinente, détaillée, historisée, fiable; • des outils d’analyse et de restitution puissants et adaptés; • des indicateurs qui favorisent le pilotage et favorisent l’action. Le cycle du projet comprend plusieurs étapes : • Sélectionner les axes de progrès. • Sélectionner le ou les processus à analyser. • Définir les objectifs. • Définir les indicateurs. • Bâtir le portail décisionnel.

1.3 LE PROCESSUS DE DÉCISION OU LE FACTEUR HUMAIN DANS LA PRISE DE DÉCISION Dans un contexte d’inflation des données d’entreprises, plusieurs technologies récentes arrivent à point nommé pour répondre concrètement à l’augmentation des besoins d’analyse et de prise de décisions émis par les dirigeants opérationnels.

8

—————————————————————————————————————————————————————————————————

1. La business intelligence

Parmi ces innovations, il en est une qui offre la plus grande avancée en matière d’aide à la décision. La technologie OLAP (On Line Analytic Processing) qui pendant quelques années a servi de niche technologique à certains éditeurs bien connus, vient de faire une avancée remarquable du fait de l’amélioration des performances des ordinateurs et de la découverte de nouveaux algorithmes. OLAP représente l’avancée la plus spectaculaire en matière de business intelligence depuis la découverte des bases de données relationnelles, dont les fondements ont été établis par Chris Date et Edgar Codd en 1993. Bien que de nombreux articles aient été publiés décrivant le fonctionnement des technologies OLAP, très peu ont mis en avant « quand » et « comment » utiliser ces technologies dans le cadre de l’aide à la décision. Dans ce chapitre, nous mettrons en évidence les deux volets de la prise de décision : le volet quelque peu mécaniste de la création d’information à partir des données de base et le volet humain, qui permettra de découvrir LA bonne information. Divers outils de reporting basés sur les bases de données relationnelles existent et sont largement utilisés dans les entreprises. Les tableurs sont également des outils désormais banalisés. Bien que demeurant déconnectés des systèmes centraux, ils sont devenus indispensables aux financiers et contrôleurs de gestion dans des tâches quotidiennes de collecte d’informations et de consolidation. Mais quel que soit le soin apporté à la gestion de ces données, leur restitution ne représente qu’une partie de la prise de décision. L’autre partie, à nos yeux la plus importante, est de savoir comment les décisionnaires « consomment » les informations, les comprennent et agissent enfin.

1.3.1 Comprendre les besoins d’aide à la décision Une étude récente du Forester Research montre que 66 % des utilisateurs de rapports sont insatisfaits. Les programmeurs qui développent ces rapports expriment également leurs frustrations en ces termes : • « Nous apportons aux utilisateurs ce qu’ils demandent mais ces derniers ne sont toujours pas satisfaits. » • « Les utilisateurs ne savent pas ce qu’ils veulent. Ils changent souvent d’avis. » • « Nos données posent problème mais nous n’y pouvons rien. » • « Nous avons construit l’entrepôt de données, mais il ne semble pas que les utilisateurs s’en servent. » • « Nous avons beaucoup investi dans le stockage des données, cependant chacun semble encore disposer de ses propres chiffres et de sa propre vérité. »

1.3 Le processus de décision ou le facteur humain dans la prise de décision

—————————————————————

9

Ces commentaires suggèrent que les technologies actuelles sont inadéquates dans le cadre de l’aide à la décision. Cependant, ces réflexions nous aident à comprendre la complexité et la nature des attentes des utilisateurs.

1.3.2 Agir, analyser, décider, agir… Utiliser des données dans le but de prendre des décisions pertinentes représente la part humaine du processus de décision. Ce processus débute lors de la mise à disposition des données auprès du décisionnaire jusqu’à la décision finale. Toute action dans l’entreprise implique d’en conserver la trace. Les systèmes ERP (PGI) enregistrent chaque seconde les opérations élémentaires (factures, achats, commandes, clients…). Une action dont la trace est conservée dans des journaux (log) ressort du domaine transactionnel. Les décideurs observent comment vont les choses afin confronter leur stratégie à la réalité. Ils cherchent à découvrir les faits qui expliquent la marche de l’entreprise. Ils élaborent une modélisation de causes à effets. Ils en déduisent les décisions à prendre. Le domaine analytique permet de passer de l’analyse à la décision.

Figure 1.1 — Le cycle décisionnel dans l’entreprise

10

—————————————————————————————————————————————————————————————————

1. La business intelligence

La compréhension du mode de consommation des informations et de la façon dont les acteurs de l’entreprise prennent leur décision est la clé nécessaire à la mise en place de solutions d’aide à la décision. Généralement, le processus de prise de décision requiert les compétences d’une personne ayant une vision claire des données afin d’en tirer pleinement du sens, d’en comprendre les causes, et de prendre les décisions et les actions qui s’imposent. Par ailleurs, on peut identifier trois concepts fondamentaux qui influent sur la prise de décision : le référentiel métier, le niveau d’abstraction et le processus d’apprentissage. La mise en place du référentiel métier Le référentiel métier apporte la signification et la pertinence des données. Il transforme des données brutes en informations utiles aux décisionnaires, par l’ajout de calculs, de sélections complémentaires, de regroupements et de présentation. Un fichier rempli de nombres est sans intérêt tant qu’il n’a pas été transformé en tendances, ratios financiers ou taux de pénétration de marché. Le référentiel d’une organisation représente le composant essentiel de sa propriété intellectuelle et de son avantage compétitif. La compréhension et l’interprétation sont basées non seulement sur les données mais aussi sur la manière dont les données sont transformées en une information porteuse de sens. Par exemple, une tendance à la baisse du taux de pénétration peut conduire à un changement dans la distribution des produits ou de nouvelles campagnes promotionnelles dans les différents canaux de vente. La manière dont le référentiel métier est géré dans un système d’aide à la décision détermine sa mise en valeur auprès des décisionnaires et est déterminant pour leur productivité. En effet, dans l’entreprise, le référentiel métier est-il facilement accessible ? Est-il centralisé sur un serveur partagé ou bien stocké localement dans des tableaux Excel ? Est-il correctement géré et maintenu à jour ? Un puissant référentiel métier largement accessible et facile à utiliser offre une forte valeur ajoutée aux décisionnaires. Les niveaux d’abstraction Le niveau d’abstraction permet aux utilisateurs de résoudre des problèmes dans un contexte propre au métier pratiqué. Par exemple, un administrateur de bases de données manipule des objets à fort niveau d’abstraction que sont les tables, les colonnes les jointures et les index. Parallèlement, dans la même organisation, les dirigeant traitent des allocations de ressources, de productivité, de satisfaction clients, de lignes de produits ou de périodes fiscales. Bien que la matière brute représentée par les données soit naturellement la même pour ces deux acteurs, celles-ci sont manipulées et interprétées de façon différente.

1.3 Le processus de décision ou le facteur humain dans la prise de décision

—————————————————————

11

Le bon niveau d’abstraction de manipulation des données est fondamental pour la prise de décision. La réflexion des cadres dans le domaine des ventes se concentrera autour des régions, des quotas, des commissions et de la productivité de l’équipe. Les cadres financiers vont manipuler des notions telles que commandes, chiffre d’affaire, marge et retour sur investissement. Aucun de ces acteurs ne s’attend à devoir manipuler des requêtes, des colonnes ou des agrégats. Le processus d’apprentissage Lorsque les données sont organisées en référentiel métier et présentés au niveau d’abstraction adéquat, les décisionnaires peuvent alors les utiliser et les comprendre. Le processus d’apprentissage implique des réflexions itératives de la part du décisionnaire. Celles-ci se matérialisent par des requêtes successives dont les réponses engendrent naturellement de nouvelles questions. De manière similaire, nous pouvons attribuer le succès sans précédent du Web par l’application de ces trois principes : organisation, navigation et visualisation. Pour trouver une information sur un DVD, nous tapons ces deux mots « DVD NomDuChanteur » dans un moteur de recherche. Ce dernier propose plusieurs sites commerciaux. Nous pouvons facilement comparer, naviguer, approfondir notre recherche en cliquant sur des hyperliens. Le second point repose sur le fait que le processus d’apprentissage est rarement linéaire. Le Web est particulièrement adapté à ce mode de fonctionnement. Les hyperliens nous permettent de passer d’un sujet à un autre. Les boutons de retour en arrière du navigateur permettent de revoir toutes les étapes du cheminement. Cette approche est particulièrement efficace lors d’une découverte non structurée. Enfin, la visualisation enrichie du Web présente une information dans sa forme la plus compréhensible. Des images animées, des graphiques pour exprimer des tendances, des tableaux pour comparer, etc. Tous ces modes de représentation, exprimés selon une organisation intuitive et flexible, font du Web une des inventions les plus efficaces qui soit dans le domaine de l’information.

1.3.3 Tableau de bord et business intelligence Le cockpit Si vous vous êtes déjà trouvé sur un vol long courrier, vous n’avez pas pu échapper à ces écrans qui vous permettent de suivre en temps réel votre parcours, reproduisant de manière fidèle la position de votre avion et du chemin déjà parcouru. De quoi s’agit-il ? L’écran qui servira plus tard à divertir le voyageur, affiche à chaque instant la position de l’avion par rapport aux villes survolées, laissant une trace du chemin déjà réalisé. Au fur et à mesure de la progression du vol,

12

—————————————————————————————————————————————————————————————————

1. La business intelligence

des vues différentes permettent d’observer le chemin parcouru, le chemin qui reste à parcourir et l’orientation que prend l’avion. Lorsque nous observons ces images, nous n’avons pas idée de la masse de données qu’il est nécessaire de collecter dans le but de restituer sur l’écran une vue compréhensible par le voyageur. Et lorsque l’écran s’éteint, nous nous trouvons subitement plongé dans l’inconnu. On ne peut alors que faire des suppositions sur l’identification de la région survolée. Maintenant, le commandant de bord vous invite à pénétrer dans le cockpit de l’avion afin de vous faire découvrir le tableau de bord de pilotage mis à sa disposition. Après quelques explications simples des écrans d’affichage, vous découvrez la signification des différentes jauges et autres voyants lumineux. Progressivement, vous vous familiarisez avec les indicateurs tels que position (latitude, longitude), altitude, vitesse, consommation de kérosène, température extérieure, etc. Les cadrans donnent un ensemble d’informations qui situent précisément l’aéronef dans son environnement géographique en trois dimensions. Concentré sur son tableau de bord, le copilote actionne un levier qui permet à l’avion de corriger imperceptiblement sa trajectoire puis de se stabiliser à nouveau.

Figure 1.2 — Dans le cockpit : suivre le plan de vol

1.3 Le processus de décision ou le facteur humain dans la prise de décision

—————————————————————

13

Les voyants affichent immédiatement de nouvelles données reflétant la nouvelle orientation de l’avion. La trace est immédiatement perceptible dans la cabine pour l’ensemble des passagers. Quel parallèle avec la business intelligence ? Le plan de vol (départ Roissy, arrivée Los Angeles 11 heures plus tard) représente le plan de vol à suivre afin de mener l’avion à bon port dans le délai convenu d’avance. En business intelligence, nous parlerons de la stratégie de l’entreprise. La trace que laisse l’avion sur l’écran matérialise la collecte de données de positionnement et de progression de l’avion. Ces données sont naturellement stockées dans la boîte noire de l’appareil. La mémoire du vol est ainsi historisée dans ce dispositif ultra-sécurisé, pouvant résister aux chocs les plus violents. L’ensemble des voyageurs visualise en cabine ces informations de positionnement grâce à l’écran GPS. En business intelligence, nous parlerons de processus ETL (Extract, Transforming, Loading) qui représente le mécanisme d’alimentation et de stockage des données de l’entreprise dans un entrepôt centralisé (datawarehouse). L’entreprise structure ses données éparses, les rend homogènes, les stocke et les délivre. Les indicateurs de vol fournis au copilote grâce aux différents cadrans mis à sa disposition forment son espace d’analyse, qui vise à suivre la progression de l’avion. En business intelligence, nous disposerons de manière similaire d’outils de visualisation des indicateurs de performance sous forme de reporting, d’analyse multidimensionnelle et de data mining (découverte des causes et des effets) synthétisé dans un tableau de bord. Il s’agit de focaliser les collaborateurs sur ce qui est important et d’attirer leur attention en permanence. Tour écart de trajectoire est corrigé par le pilote. En business intelligence, nous parlerons d’écarts sur objectifs prévisionnels, d’optimisation, de planning, de prévu/réalisé. Toute décision de correction de trajectoire entraîne une action dans le poste de pilotage. En business intelligence d’entreprise, les écarts entre le prévu et le réalisé vont engendrer des actions correctives. Des indicateurs externes à l’avion (radar détectant la présence d’un autre avion à proximité, perturbations atmosphériques prévisibles sur carte météo, fortes turbulences en vue), vont amener le pilote à changer de trajectoire…

14

—————————————————————————————————————————————————————————————————

1. La business intelligence

L’atterrissage est maintenant proche, le pilote s’apprête à agir sur la trajectoire et l’altitude. En business intelligence, la direction générale s’apprêtera à agir par la mise en place d’actions opérationnelles. Dans l’entreprise, cela peut entraîner des changements de comportements pour atteindre les objectifs. Voici synthétisé le modèle du processus de prise de décision transposé à l’entreprise.

Figure 1.3 — Les étapes de la prise de décision dans l’entreprise

1.3.4 En quoi la BI est-elle utile à l’entreprise ? De la donnée brute à l’information Selon l’enquête de PricewaterhouseCoopers réalisée en 2001, « les sociétés qui utilisent leurs données en tant que ressource stratégique et investissent dans leur qualité, en tirent déjà un avantage en terme de réputation et de profitabilité ». Selon une vision traditionnelle, les données sont le « carburant » qui pilote les processus, étant entendu que l’entreprise utilise l’ordinateur pour l’aider à réaliser son business. La connaissance stratégique est déduite de la vision prospective, ellemême basée sur les données de l’entreprise.

1.3 Le processus de décision ou le facteur humain dans la prise de décision

—————————————————————

15

Interrogeons-nous un instant : Une chaîne de supermarché a-t-elle pour objet de vendre de la nourriture ou bien son activité ne consiste-t-elle pas à exploiter la connaissance des préférences du client, de son positionnement géographique, de la logistique et des coûts d’approvisionnement ? Le cycle de vie des produits, des informations sur la concurrence, le niveau d’inventaire, le prix proposé et la disposition du produit en rayon ne doivent-ils pas être considérés comme autant d’informations pour accroître la marge réalisée sur chaque article vendu ? À l’ère de l’Information, la réponse que vous ferez à ces questions déterminera la viabilité à long terme de votre entreprise. Très bien me direz-vous ! Mais comment transformer les données en ressource stratégique ? Une partie de la réponse réside dans l’application adéquate des nouvelles technologies sur vos données. Mais la plus grande part de la réponse consiste à comprendre et de manière subséquente à construire son business autour de la valeur de l’information. On le voit bien, cet exercice d’abstraction est particulièrement délicat, aussi nous observerons dans ce chapitre la différence fondamentale qui réside entre une approche traditionnelle basée sur une technologie transactionnelle à des fins de reporting et une vision moderne de l’utilisation des données à des fins d’analyse prospective. Nous introduirons la notion du dirigeant « sachant ». En effet, celui-ci base son observation sur les faits, c’est-à-dire les données stockées dans l’entreprise. Nous aborderons les aspects de l’information qui révèlent de la valeur et quels sont les processus à mettre en place afin d’extraire cette valeur des données. Nous présenterons également quelques applications de business intelligence afin d’illustrer la méthodologie proposée dans cet ouvrage.

Les atouts de l’information et l’évaluation des données Les données peuvent-elles être considérées comme un actif ? Bien que personne n’ait jamais observé dans un bilan de société la moindre ligne concernant les données de l’entreprise, ni du côté de l’actif, ni du passif, il convient de considérer cependant que certains coûts associés à la gestion des données – le coût de stockage, la maintenance, la surface utilisée, l’équipe, etc. – apparaissent bien au compte d’exploitation comme des charges réelles. En contrepartie, les données doivent être considérées comme de l’actif, parce que celles-ci sont employées à générer des bénéfices, sont contrôlées par l’organisation, et sont le résultat de transactions liées à l’activité de l’entreprise (soit parce qu’elles sont générées en interne, soit parce qu’elles ont été acquises à l’extérieur). Traiter des données comme un actif représente un intérêt pour l’entreprise car cela peut être de nature à justifier un investissement en business intelligence.

16

—————————————————————————————————————————————————————————————————

1. La business intelligence

L’entreprise sera en mesure de montrer comment la valeur d’actif des données s’est enrichie. Cela implique naturellement de pouvoir mesurer la valeur des données, et c’est bien là que nous bloquons dans notre réflexion. Il existe cependant des cas concrets où nous pouvons attribuer précisément une valeur à l’information. Prenons par exemple le cas d’une demande au service des renseignements téléphoniques dont le coût est, par exemple, de 1 euro alors que l’information demandée peut être obtenue gratuitement grâce à un annuaire téléphonique sur internet. Le coût de la transaction accepté par le client est cependant justifié par un service immédiat. Quel que soit l’endroit où il se trouve, et le moment de son choix, le demandeur obtient l’information capitale. D’une manière générale, la valeur de l’information dépend d’un certain nombre de facteurs que nous évoquerons. Il est intéressant de constater que plus nous pouvons préciser ces facteurs et plus nous sommes en mesure d’élaborer le modèle d’évaluation de l’information.

La valeur « temps » des données Afin d’illustrer la contrepartie monétaire de la valeur « temps », prenons un exemple simple. Nous sommes le 1er mars et je rencontre un « gourou » de la finance qui m’informe que suite à un accord entre la société Alcatel et un Consortium chinois, l’action de l’équipementier clôturera demain 2 mars, en hausse probable de 5 euros. Je m’empresse de passer mes ordres d’achat auprès de mon broker en ligne. L’exécution de l’ordre est immédiate. Le 2 mars peu avant la clôture, je revends mes actions et prends mon bénéfice. Si au lieu de recevoir cette information le 1er j’en prends connaissance le 3 mars, inutile de dire que l’action à mener serait tout autre. Cet exemple montre bien que la valeur de l’information se dégrade dans le temps. Parce que les données stockées représentent un instantané de la situation, il paraît évident qu’en l’absence de toute réactualisation, et parce que le monde change à tout instant, notre « photographie » tend à devenir obsolète très rapidement.

L’information en tant que ressource partageable Contrairement à toute autre ressource matérielle utilisée dans le processus de fabrication, les données sont des ressources qui non seulement ne s’altèrent pas mais dont la valeur informationnelle s’accroît par l’usage d’un plus grand nombre d’utilisateurs. La connaissance d’un tel processus s’illustre par exemple dans le cas d’un vendeur, alerté du moment le plus opportun pour contacter un prospect. Cette connaissance peut rationaliser le travail des vendeurs. Et même si plusieurs vendeurs partagent la même connaissance avec d’autres membres de l’équipe,

1.3 Le processus de décision ou le facteur humain dans la prise de décision

—————————————————————

17

cette connaissance transmise aux autres ne subit aucune dégradation. Cela veut dire que grâce à son partage, la valeur de l’information est proportionnelle au nombre de personnes qui la possèdent. Dans le contexte de la business intelligence, cela se traduit par le stockage des données dans le datawarehouse. Cet entrepôt centralisé offre de nombreux accès aux utilisateurs qui observent tous la même information. Et puisqu’elle est utilisée par des observateurs distincts, sa valeur est multipliée par le nombre de personnes qui l’utilisent. Bernard Liautaud, président et PDG de Business Objects a écrit dans un ouvrage remarquable, que « la valeur d’une information augmente avec le carré du nombre d’utilisateurs pouvant accéder à l’information, multiplié par le nombre de services dans lesquels ces utilisateurs travaillent ». (e-business intelligence, Éditions Maxima). Valeur de l’information = (Nombre d’utilisateurs)² × (Nombre de départements de l’entreprise) Cette formule est empruntée à une réflexion de Bob Metcalfe, l’inventeur de l’Internet, qui avait formulé la loi qui porte son nom comme suit : « la valeur d’un réseau varie en fonction du carré du nombre d’unités interconnectées ». Il ne fait pas de doute que plus le nombre de personnes disposant de la même information augmente, mieux elles communiquent et plus elles prennent des décisions collectives et pertinentes. La transversalité de l’information peut s’illustrer de la manière suivante : si je fournis à une équipe commerciale les outils pour analyser ses ventes par produit, par clients, par mois, par vendeur, cela constitue une arme qui sera utilisée dans la démarche commerciale face aux clients. Cette même information transmise au contrôleur de gestion, qui ajoutera l’indicateur du plan prévisionnel, lui fournira immédiatement une vue complémentaire utile au pilotage.

L’accroissement de la valeur proportionnellement à son usage Pour la plupart des actifs immobilisés, plus leur usage est fréquent, plus leur valeur diminue. Par exemple, chaque kilomètre parcouru par une automobile diminue sa valeur. A contrario, la valeur des données ne décroît pas lors de leur usage, car elles ne subissent aucune dégradation lorsqu’elles sont utilisées. Si dans l’organisation, chacun sait comment accéder à l’information et comment l’exploiter, la valeur de cette information croît rapidement. Si les données stockées ne sont jamais utilisées, elles n’apportent aucune valeur ajoutée et deviennent rapidement une charge.

18

—————————————————————————————————————————————————————————————————

1. La business intelligence

L’accroissement de la valeur au travers de la qualité Si l’on reprend l’exemple de notre gourou qui, au lieu de nous prédire une hausse de l’action, envisage au contraire une baisse probable du cours Alcatel de 5 euros, la probabilité de réaliser une perte plutôt qu’un bénéfice devient forte. Ceci met en évidence la valeur liée à l’exactitude de l’information et la nécessité d’obtenir une information de haute qualité mais aussi de mettre en place les moyens de la mesurer. Ainsi, grâce à l’interprétation de cette mesure de qualité, il sera plus aisé de déterminer le risque associé à la prise de décision.

L’accroissement de la valeur grâce à la fusion La combinaison des éléments de la connaissance fournit un levier puissant au fur et mesure de l’accroissement de la valeur. Si je dispose d’informations sur mes canaux de vente, je possède une certaine valeur. Si je possède une information sur le processus d’approvisionnement, je dispose également d’une valeur informationnelle. Mais si je combine ces deux informations entre elles, j’obtiens une connaissance précise sur le mouvement des produits depuis le fournisseur jusqu’au consommateur. Il est aisé de comprendre que la valeur de l’information s’accroît lorsqu’elle peut être combinée avec d’autres sources d’information. Le processus de BI concerne la capacité à collecter, agréger, et plus important encore de rapprocher plusieurs sources entre elles. En d’autres termes, si nous pouvons rapprocher deux informations, les lier entre elles, et en déduire quelque chose de nouveau qui n’aurait pu être découvert autrement, nous pouvons exploiter cette découverte pour en tirer un avantage concurrentiel.

La valeur face au volume Contrairement au comportement de certains actifs, nous n’obtenons pas nécessairement plus de valeur par l’accroissement d’information. La quantité phénoménale d’information produite chaque année est stupéfiante. La complexité de l’intégration des données croît proportionnellement au nombre de sources de données. Toute la difficulté réside dans le fait de mesurer l’apport d’une source nouvelle de données eu égard à la complexité à être intégrée dans le référentiel existant. Il faut comprendre que chaque ajout d’une nouvelle source de données induit un mode d’accès nouveau (connecteur). Tout nouveau connecteur implique un soin particulier pour la mise à jour des données dans le référentiel centralisateur. Il faut également considérer une différence importante en matière de qualité entre l’acquisition de données provenant de sources disparates de celles qui sont puisées à la même source. Par exemple, conserver une grande quantité de don-

1.3 Le processus de décision ou le facteur humain dans la prise de décision

—————————————————————

19

nées sur les ventes réalisées depuis plusieurs années peut apporter plus de valeur s’il s’agit d’analyser des tendances.

La mesure de la valeur de l’information Le coût historique : cette méthode consiste à évaluer la valeur basée sur le coût d’acquisition de l’information ou le coût de remplacement. La valeur marché : cette méthode évalue la valeur en fonction de ce qu’un opérateur est susceptible de payer pour l’acquérir. La valeur utile : cette méthode consiste à estimer la valeur en fonction du bénéfice attendu. Les applications de la business intelligence

L’analyse Client Les termes CRM (Customer Relationship Management) et en français GRC (gestion de la relation clients) ont été utilisés abondamment. Ils sont devenus en quelque sorte des mots « tarte à la crème » souvent vidés de leur sens initial par des vendeurs plus prompts à vendre des licences en grand nombre plutôt que d’écouter le besoin du client et d’apporter une réponse adaptée. Pour améliorer la relation client, point n’est besoin de monter une « usine à gaz ». Le challenge consiste à mieux comprendre le client afin de lui apporter le produit ou le service qu’il désire. On le comprend bien, il s’agit de satisfaire un client grâce à son profil parfaitement identifié. Les rubriques énumérées ci-dessous ont pour but d’augmenter la visibilité des services ventes, marketing et d’une manière générale tout département qui interagit avec le client final. Profil Client La plus grande partie des actions marketing consiste à « ratisser large » et à espérer capturer le plus grand nombre de clients possibles. Après les études très détaillées de Martha Rodgers consacrées au « marketing one to one », les entreprises prennent de plus en plus conscience que les prospects sont différents les uns des autres et que leur approche doit être adaptée en fonction du profil du prospect. Des informations comportementales, préférentielles, géographiques et sociologiques concernant le prospect permettent d’adapter individuellement le discours. Le ciblage marketing La connaissance des ressemblances et dissemblances permet de constituer des ensembles de prospects ayant des comportements similaires afin d’élaborer une communication adéquate.

20

—————————————————————————————————————————————————————————————————

1. La business intelligence

La personnalisation L’analyse fine du caddie, que ce soit au supermarché ou sur un site marchand en ligne, permet en temps réel de connaître les produits achetés en magasin ou sur le site et d’en déduire immédiatement des analyses fines et d’effectuer les actions qui s’imposent. À cet égard, le navigateur web est un formidable outil de découverte de l’internaute, tant les traces numériques laissées lors de ses recherches et hésitations sont révélatrices du comportement de ce dernier. Le serveur web a la capacité d’interagir avec l’internaute afin de l’aider dans sa recherche ou même de suggérer des achats complémentaires. Les « cookies » permettent l’identification d’un individu sur un site. Lors d’un accès ultérieur il devient possible de dialoguer intelligemment avec l’internaute et d’agir en tant que conseil auprès de celui-ci. Le filtrage collaboratif Si vous êtes déjà allé sur des sites de ventes en ligne tels qu’Amazon.com ou Fnac.com, cette notion de filtrage collaboratif ne vous a sans doute pas échappé. Lors du choix d’un CD ou d’un livre, le site vous suggère des achats alternatifs ou complémentaires basés sur les préférences d’autres clients. L’information affichée sur la page web est très suggestive : « Les gens qui ont acheté le produit X ont également acheté le produit Y. » Les processus de filtrage collaboratif évaluent la similitude des préférences entre des groupes de consommateurs. Ces recommandations créent en général des opportunités de cross-sell (ventes croisées) et de up-sell (ventes additionnelles). La satisfaction du client Un des avantages induits par le profilage est de connaître la satisfaction d’un client par rapport à des produits ou services. Un rapide sondage permet de collecter le niveau de satisfaction d’un client, de comparer par rapport à l’ensemble des clients. L’historisation des données permet de connaître la tendance de la satisfaction générale de la cible et naturellement de réagir avant qu’il ne soit trop tard. La durée de vie d’un client Comment les entreprises déterminent quels sont leurs meilleurs clients ? Quand on connaît le coût induit par la recherche et l’acquisition d’un nouveau client, la durée de vie d’un client devient naturellement une mesure de profitabilité. L’analyse Client permet de mettre en place des indicateurs afin de mesurer la durée de vie d’un client. La fidélité du client On a coutume de dire que les meilleurs nouveaux clients d’une entreprise sont les clients actuels. Cela veut dire que les plus belles opportunités de réaliser de

1.3 Le processus de décision ou le facteur humain dans la prise de décision

—————————————————————

21

nouvelles ventes se font auprès des clients de l’entreprise qui sont heureux de travailler avec vous et satisfaits de vos produits et services. L’analyse des clients en portefeuille est une aide efficace.

L’analyse de la productivité du capital humain L’utilisation et l’optimisation du centre d’appels Si vous avez déjà fait l’expérience des longues minutes d’attente passées au téléphone avant d’obtenir le service souhaité et l’irritation naturelle qui en découle, vous comprendrez sans difficulté la valeur qui résulte de l’analyse du temps d’attente du client au sein de votre entreprise. Lorsqu’on sait par ailleurs que les appels entrants proviennent en grande partie de clients non satisfaits, la durée d’attente aura un effet déplorable sur la qualité du dialogue qui suivra. La rentabilité effective Cette notion regroupe la performance, le coût du travail et le rendement de la production; autant de facteurs qui montrent comment les membres du personnel travaillent. Cette information peut être intégrée dans le référentiel et apporter une valeur supplémentaire à l’analyse globale.

L’analyse de la productivité Ce domaine d’analyse très répandu génère un grand nombre d’indicateurs et d’analyses. L’analyse des produits défectueux Alors que les entreprises se battent quotidiennement afin d’améliorer la qualité des produits qu’elles fabriquent, des facteurs affectent le nombre de produits défectueux, dont les causes sont les matières premières utilisées ou les personnels qui les fabriquent. Il est aisé de suivre ces facteurs grâce aux indicateurs de productivité. Le suivi du planning et l’optimisation des ressources La compréhension de l’utilisation des ressources qui composent l’actif d’une usine (machines, personnel, rendements attendus, matières premières, entrepôts, production en flux tendus, etc.) peut être grandement facilitée par l’usage de la business intelligence. Le reporting financier Les contraintes sévères liées à l’industrie obligent les entreprises et maintenant les administrations (LOLF, loi organique relative aux lois de finances promulguée le 1er août 2001) à fournir de nombreux rapports financiers afin de présenter leurs résultats. Ces contraintes se sont encore alourdies suite aux scandales financiers qui ont défrayé récemment la chronique. Indépendamment de leur carac-

22

—————————————————————————————————————————————————————————————————

1. La business intelligence

tère obligatoire, les analyses qui en résultent sont un excellent moyen de prendre le pouls de l’entreprise et de repérer des secteurs nécessitant une surveillance particulière. Dans cet esprit, le Congrès américain a fait adopter en juillet 2002 la loi Sarbane-Oxley contraignant ainsi les entreprises cotées à communiquer rapidement leurs résultats financiers. L’article 404 de la loi vise à renforcer la fiabilité de l’information financière délivrée et rend obligatoire l’utilisation d’un cadre d’analyse reconnu en matière de contrôle interne et cite en substance le référentiel COSO (Committee of Sponsoring Organizations, association américaine ayant pour objectif d’établir des règles de contrôle financier interne et d’améliorer la qualité des reporting financiers). La gestion du risque C’est la capacité à trouver des solutions pour minimiser les conséquences des événements associés à une situation. La précision de l’observation dans le suivi de l’activité et de la productivité offre aux gestionnaires la capacité de prendre de meilleures décisions, par exemple sur l’allocation de ressources dans le but de réduire le risque de l’organisation. De plus l’analyse du risque peut apporter des réponses dans le cadre de la négociation de contrats avec les fournisseurs et les partenaires en général. La mise en place du nouveau règlement Bâle 2 vise à améliorer la qualité du système bancaire grâce à la transparence dans la gestion des risques opérationnels. Le juste à temps Le concept de production en juste à temps doit aboutir à une diminution des risques liés à la volatilité des prix des produits. Il est fortement recommandé de pouvoir corréler les informations reçues au travers du canal de ventes afin de réagir le plus rapidement en termes d’approvisionnement et de production.

L’analyse des canaux de vente Le marketing La capacité de régler finement un programme de marketing ainsi que la mesure de l’efficacité dudit programme, découlent en partie de l’analyse du canal de ventes. Le processus itératif classique consiste à identifier des profils de groupes de clients et de régler sa stratégie sur ces observations. L’efficacité de la stratégie sera fortement dépendante des données recueillies par le canal de vente. Les résultats seront naturellement comparés avec les objectifs attendus. La convergence ou la divergence des résultats par rapport aux objectifs précisera de manière itérative de nouvelles stratégies.

1.3 Le processus de décision ou le facteur humain dans la prise de décision

—————————————————————

23

L’analyse de la performance des ventes Les résultats de l’équipe de vente permettent d’identifier des variables qui agissent sur le cycle des ventes, tels que les vendeurs, les régions, le type d’industrie, la qualité des contacts, la récurrence et la fréquence des contacts.

L’analyse de la chaîne d’approvisionnement L’analyse de la chaîne d’approvisionnement permet de caractériser les fournisseurs afin de mieux les comparer. La gestion des vendeurs des fournisseurs Un grand nombre d’organisations sont dans l’incapacité d’identifier précisément qui sont les vendeurs qui leur fournissent biens et services. L’analyse de la chaîne d’approvisionnement permet aux gestionnaires de tracer la performance et la fiabilité des fournisseurs, d’évaluer et de classer la qualité des produits fournis et ainsi d’optimiser la relation avec le fournisseur en ce qui concerne les dépenses, les délais de livraison et les risques. L’expédition Il existe différentes méthodes pour livrer des marchandises auprès des clients, chacune générant des coûts différents. Par exemple, il sera plus coûteux de livrer des produits par avion plutôt que par transport routier, mais les produits arriveront à destination plus rapidement. Ce délai plus court peut être exploité pour répondre à une demande dont il faut mesurer la justification.

L’analyse du comportement Il est utile de repérer des modèles de comportement qui sont le présage d’événements significatifs. Ce type d’analyse fait un usage abondant des données afin de repérer des modèles susceptibles de générer tel ou tel événement. Le but de l’analyse consistera donc à repérer la mise en place de tels modèles dans le but de prédire l’apparition des phénomènes attendus. Ces études sont fortement utilisées en analyse technique boursière. L’analyse d’une action sur une durée significative permet de mettre en évidence des modèles susceptibles de prédire des changements de tendance. L’analyse chartiste est basée sur ces phénomènes. Les tendances d’achats Bien qu’il soit possible de connaître avec précision le cycle de vie des produits, il existe des tendances qui échappent à ce schéma. Les cas les plus parlants sont les produits à effet de mode. L’approche des fêtes de Noël rend parfois difficile toute prévision, faisant flamber tel article de jouet ou s’effondrer tel autre produit. Dans le domaine de la mode, il est fréquent d’observer une corrélation entre la tenue vestimentaire d’une star invitée à une émission grand public et le décollage soudain des ventes du même article en magasins.

24

—————————————————————————————————————————————————————————————————

1. La business intelligence

L’activité du Web Nous l’avons déjà signalé précédemment, l’analyse du comportement d’achat sur un site de commerce électronique est relativement aisée. Elle donne de surcroît des indications d’achat et de tendance en temps réel. Cette détection des modèles de comportement d’achat peut être à l’origine d’un modelage du site afin de mieux prendre en compte les attentes des internautes. La détection des fraudes Les comportements abusifs ou frauduleux sont fréquemment modélisables. Par exemple dans le domaine de la santé, il est aisé de constater que certains praticiens ont tendance à prescrire des médicaments onéreux ou en surnombre. Une fois ces comportements modélisés, zoomer sur les auteurs de tels actes devient un jeu d’enfant. L’attrition du client Un problème récurrent pour un grand nombre d’organisations est l’attrition du client ou la capacité de ce dernier à quitter son fournisseur habituel. Dans les industries à caractère compétitif, il est bien plus profitable de convaincre un client de rester fidèle à un fournisseur avant qu’il n’ait pris la décision de le quitter plutôt qu’après. On constate cela fréquemment dans la lutte effrénée que se livrent les opérateurs téléphoniques pour conquérir de nouveaux clients. Les coûts de séduction de ces nouveaux clients sont proprement exorbitants. Le repérage des clients susceptibles de quitter l’entreprise par une observation fine des modèles de comportements (historiques des appels et des plaintes) permettrait de proposer des offres personnalisées susceptibles de retarder le départ voire même de l’éviter.

Le tableau de bord de l’intelligence Un indicateur clé de performance (KPI, Key Performance Indicator) est une mesure objective d’un aspect de l’activité qui est critique pour le succès de l’entreprise. De tels indicateurs sont les composants du tableau de bord représentatif de l’activité de l’entreprise. Il synthétise les différentes activités et mesures de cette dernière telles que la satisfaction du client, la productivité, la performance du canal d’approvisionnement et la profitabilité. Il synthétise également la qualité des hommes et des femmes de l’entreprise, la qualité des outils qui leur sont mis à disposition. Le tableau de bord de l’intelligence d’entreprise reflète les résultats des analyses sous forme d’indicateurs, dans une représentation synthétique et compréhensible. Des alerteurs visuels, de différentes couleurs, attirent le regard pour une compréhension plus rapide. Ce tableau de bord dynamique permet en outre de zoomer sur tel ou tel indicateur et d’approfondir l’analyse jusqu’à remonter à la cause première des phénomènes.

1.4 Les modèles d’accès à l’information

—————————————————————————————————————————————————————

25

Voici quelques-uns de ces indicateurs : • graphe des ventes régionales par ville; • statistiques du personnel; • rapport d’approvisionnement par fournisseur; • mesure de la satisfaction client; • mesure de la productivité de l’usine, d’un département, d’un atelier, etc.; • moyenne de la profitabilité client.

La valeur ajoutée de la business intelligence Au cours de nos réalisations, et au vu des avantages instantanés que nos clients ont obtenus, nous avons acquis la ferme conviction que la business intelligence permet d’insuffler un niveau de connaissance jusqu’alors inégalé dans l’entreprise. La qualité du dialogue des dirigeants par le partage de la connaissance objective s’en trouve améliorée. La connaissance transversale, par la suppression des cloisonnements départementaux dans l’entreprise, sont autant de facteurs générateurs d’observations nouvelles.

1.4 LES MODÈLES D’ACCÈS À L’INFORMATION Bernard Liautaud, dans l’ouvrage déjà mentionné, fait une analyse sans complaisance de la situation des trois modèles qui gouvernent l’accès à l’information dans l’entreprise. Il cite : • La dictature de l’information, où seuls quelques initiés ont accès aux données. • L’anarchie de l’information, où chacun recrée son propre système d’information provoquant un véritable chaos de données. • La démocratie de l’information, où l’information bien gérée circule librement.

1.4.1 La dictature de l’information Le premier cas met en évidence une attitude dictatoriale vis-à-vis du partage et de la diffusion de l’information dans l’entreprise. Dans les années quatre-vingt, les données étaient stockées sur des serveurs centraux hautement protégés. La diffusion de l’information se faisait au travers de listings volumineux, dupliqués, et regorgeant souvent de données inexploitables. Les analyses étaient confiées à des équipes d’experts qui grâce à des logiciels spécifiques, parvenaient à extraire des analyses qu’ils diffusaient ensuite auprès des personnels concernés. C’était le règne des infocentres dotés parfois de tableaux de bord centralisés appelés EIS (Executive Information System).

26

—————————————————————————————————————————————————————————————————

1. La business intelligence

1.4.2 L’anarchie de l’information Dans les années quatre-vingt-dix, grâce à la diffusion massive de la micro-informatique, silos de données et applicatifs personnels vont progressivement se mettre en place, faisant apparaître un nouveau comportement anarchique. En effet, pour se libérer du carcan imposé par les structures centralisées, les directeurs des départements opérationnels vont rapidement comprendre que les outils bureautiques peuvent répondre à de nombreux besoins restés jusque-là sans réponse. Les managers vont se doter massivement d’outils tels qu’Excel et Access dans le but de répondre quasi instantanément à leur demande de tableaux de bord et de reporting. C’est le début de la multiplication des organismes de formation en bureautique. Les personnels opérationnels rapidement formés vont s’approprier des données qui jusque-là leur étaient inaccessibles. De la généralisation des bases de données et tableurs va naître un autre phénomène : la multiplication des silos de données. De nouvelles plates-formes matérielles et logicielles hétérogènes fleurissent alors dans les entreprises. La communication entre ces matériels parfois incompatibles rend difficile la centralisation des données. Chaque département tend à garder jalousement les informations qui lui sont propres, rendant difficile une consolidation de l’ensemble des données stratégiques et opérationnelles de l’entreprise. L’incohérence des informations se manifeste lors de réunions regroupant plusieurs départements où les managers finissent par s’interroger sur la validité des tableaux d’indicateurs souvent montés à la hâte peu de temps avant la réunion. On comprend aisément que la diversité des applicatifs entraîne une complexité croissante des structures de données. De plus, ces données sont stockées dans des fichiers de types différents tels que tableur, base de données, ERP, comptabilité, GPAO, CRM, ventes, etc. Les approches traditionnelles ont très vite montré leurs limites. Le développement de l’Internet et la mondialisation ont ouvert les frontières de l’entreprise à l’ensemble de ses partenaires. Le partage de l’information stratégique et la capacité d’effectuer tous types d’analyse sont devenus une demande pressante des acteurs de l’entreprise. Dans ce contexte anarchique, l’informatique décisionnelle va donc rapidement s’imposer.

1.4.3 La démocratie de l’information De par sa démarche structurante, la business intelligence offre un nouveau paradigme : • Partager le métier de l’entreprise et la transparence de l’information à tous les échelons de la hiérarchie.

1.4 Les modèles d’accès à l’information

—————————————————————————————————————————————————————

27

• Disposer d’outils d’analyse conviviaux et accessibles en tous lieux (y compris sur Internet) sans l’aide d’un spécialiste. • Réduire les coûts de mise à disposition des informations stratégiques de l’entreprise. • Libérer les ressources humaines des contraintes fortes des systèmes informatiques au profit du métier de l’entreprise. • Sécuriser l’information selon le profil des utilisateurs. • Assurer la qualité et la pertinence de l’information. • Augmenter la réactivité des personnels et la souplesse de l’entreprise grâce à la connaissance. • Permettre de découvrir des informations enfouies dans les données, que l’être humain ne pourrait extraire seul. • Faciliter la prise de décision grâce à la cohérence des données. • Partager la vérité de l’information. • Accéder sans délai à l’information.

2 L’approche méthodologique

Lorsqu’un projet décisionnel est décidé dans l’entreprise plusieurs composantes vont interagir : • La composante humaine est le moteur du projet et il est important de disposer d’un sponsor de poids dans l’entreprise (la direction générale dans une PME ou une direction fonctionnelle dans un grand compte). • La composante technique est l’arbre de transmission qui garantira aux rouages un fonctionnement harmonieux. • La composante financière résulte des deux composantes précédentes. Tout projet BI nécessite une demande d’autorisation d’investissement (DAI). Cet engagement de dépense fait suite à une estimation fine des éléments économiques du projet (nombre de jours/homme d’étude, de développement, d’intégration, d’exploitation, coûts des licences, coûts des platesformes matérielles, etc.). En général il faut assortir cette démarche d’une analyse de la valeur permettant de calculer le retour sur investissement (ROI). Cette étude est présentée en détail dans le chapitre 13. Dès maintenant nous pouvons mettre en avant des avantages tels que : • l’augmentation de la productivité grâce à une information disponible plus rapidement;

30

—————————————————————————————————————————————————————————————

2. L’approche méthodologique

• une information plus fiable; • un gain de temps mesurable pour rassembler les informations utiles; • un travail plus facile pour les collaborateurs itinérants; • une diffusion automatisée et économique des informations opérationnelles. Autant que faire se peut, on cherchera à identifier les facteurs de différentiation par rapport aux concurrents et à mettre en place des indicateurs permettant de mesurer les gains réels.

2.1 LES ÉTAPES D’UN PROJET INFORMATIQUE 2.1.1 Le cycle en V Les projets informatiques traditionnels avaient coutume de présenter un enchaînement linéaire des sept étapes. Les voici résumées : • Expression des besoins et faisabilité. • Analyse et spécifications. • Conception. • Programmation. • Tests. • Intégration. • Recette et mise en production. Lorsque l’on constate un problème technique ou fonctionnel dans une étape de la partie montante du cycle dit en V, le retour ne s’effectue pas à l’étape précédente mais au niveau de l’étape conceptuelle correspondante (identifiée par les flèches horizontales de la figure 2.1).

2.1.2 La méthode agile L’équipe La méthode du cycle en V a pour but de présenter les processus et les outils mais ne fait pas suffisamment apparaître les interactions entre les acteurs du projet. La composante humaine est primordiale pour la réussite d’un projet BI. Il est de loin préférable qu’une équipe soit soudée et animée par la volonté partagée de réussir plutôt que composée d’individualités brillantes ayant peu le sens de la communication.

2.1 Les étapes d’un projet informatique

—————————————————————————————————————————————————————

Expression des besoins Et faisabilité

31

Recette et Mise en production

Analyse et spécifications

Intégration

Conception

Tests

Développements Et programmation

Figure 2.1 — Les sept étapes d’un projet informatique

Priorité à l’application Il est vital que l’application fonctionne selon les spécifications demandées. Il ne sert à rien de documenter à l’excès des procédures techniques. On le sait, les programmes ont tendance à être modifiés régulièrement mais pas la documentation associée rendant cette dernière suspecte. Il est préférable de commenter abondamment les programmes et de mettre à jour les lignes de commentaires lors de l’apport de modifications. Il est infiniment plus utile d’obtenir en ligne un commentaire sur l’origine d’une information (clic droit ou aide) plutôt que d’en chercher le sens dans un cahier généralement introuvable au moment opportun. La documentation fonctionnelle doit être accessible en ligne. Il est également important de définir un binôme technique (deux personnes ayant une bonne compréhension des processus informatiques, une forte complémentarité et pouvant assurer un dépannage en cas d’absence de l’autre). La collaboration avec l’utilisateur Le client ou utilisateur final doit être impliqué à chaque étape du développement. Le périmètre du projet doit être défini avec soin lors du contrat initial (cahier des charges). Mais le client doit pouvoir intervenir très tôt et collaborer avec l’équipe réalisatrice afin d’apporter un feed-back continu. Il s’agit d’éviter l’effet tunnel trop souvent observé dans les projets d’envergure. Le client cherchant à se rassurer doit pouvoir se projeter dans son application future aussi bien

32

—————————————————————————————————————————————————————————————

2. L’approche méthodologique

sur le fond, en termes de contenu, que sur la forme (ergonomie de l’outil). La communication lors d’une conversation en face à face est le meilleur vecteur de compréhension. L’acceptation du changement Il n’est jamais agréable au cours du développement de revenir sur des spécifications ou des procédures codées. Cependant, afin d’éviter la frustration du client, il est impératif d’accepter des modificatifs mineurs. La planification du projet doit rester flexible afin d’en tenir compte. Le choix de l’outil de développement est à cet égard très important.

2.1.3 L’étude de faisabilité Lorsqu’un projet décisionnel n’est pas totalement formalisé, il peut être judicieux de mettre en œuvre une étude de faisabilité. Cette démarche a pour but de rassurer les deux parties (fournisseur et client) en apportant au fournisseur une connaissance suffisante sur le métier du client et au client une bonne perception sur la capacité d’écoute et de compréhension du prestataire. Cette étude de faisabilité a pour objectifs de permettre, dans un délai très court (5 à 10 jours) : • de formaliser les attentes du client; • de les matérialiser au travers d’un prototype personnalisé à l’aide de données réelles; • de cerner les capacités de la solution; • d’acquérir les connaissances de base; • d’être une base de travail et de discussion avec les utilisateurs. Cette étude permet d’effectuer une sorte de « carottage » dans les strates fonctionnelles (découverte d’un domaine parmi finances, achats, commercial, communication, RH) et techniques (découverte des systèmes utilisés : système d’information, SGBD, système d’exploitation, etc.). Les livrables sont : • un document de synthèse; • un prototype de l’application cible; • une licence à durée limitée du produit utilisé. La démarche projet présentée plus haut est naturellement appliquée lors de cette étude de faisabilité. À l’issue de cette étude, le prestataire dispose d’éléments concrets lui permettant de chiffrer avec plus de précision le développement et le déploiement de la solution globale.

2.1 Les étapes d’un projet informatique

—————————————————————————————————————————————————————

33

Après un temps de réflexion, le client dispose de la faculté de stopper son expérience ou au contraire de mettre en œuvre tout ou partie du projet. Le chapitre 13 présente les composants de l’étude de faisabilité.

2.1.4 Le cycle de vie du projet BI selon Ralph Kimball Ralph Kimball, qui est considéré par beaucoup comme l’expert mondial de la business intelligence, a défini très précisément les modules méthodologiques participant au cycle de vie d’un projet BI : • L’analyse des besoins. • Les données : – Modélisation dimensionnelle des données. – Modèle physique des données. – Définition des étapes de chargement du datawarehouse. • La technologie : – Définir l’architecture technique. – Choix et installation des outils. • L’application : – Spécification de l’application. – Développement de l’application utilisateur. • Le déploiement. • La maintenance. • L’évolution. En voici un schéma synthétique (figure 2.2).

Définir l’architecture technique

Sélection et installation des outils

Croissance et évolution

Technologie

Planification du projet

Analyse des besoins métiers

Modélisation dimensionnelle des données

Modélisation physique des données

Étapes du chargement du datawarhouse

Déploiement

Données Maintenance Spécification de l’application

Développement de l’application

Application

Figure 2.2 — Gestion du cycle de vie dimensionnel (selon Ralph Kimball)

34

—————————————————————————————————————————————————————————————

2. L’approche méthodologique

2.2 POURQUOI UN TABLEAU DE BORD ? Lorsque l’on aborde un projet BI, il faut résister à la tentation de mettre en avant l’outil plutôt que la démarche qui consiste à découvrir le métier du client et la nature de ses besoins. Pourquoi me mettrais-je au volant de mon véhicule si je ne sais où aller ? Nous avons vu au paragraphe précédent que le projet BI consistait à bien appréhender le métier du client et de délimiter le périmètre fonctionnel avant de procéder à toute étape de développement. Les éditeurs de logiciels ont une tendance naturelle à mettre en avant la palette des fonctionnalités de leur produit. Ils offrent rarement une réponse à l’attente métier du client. Lors de nos consultations en entreprise nous rencontrons généralement deux profils : le chef d’entreprise qui intuitivement souhaite disposer du meilleur tableau de bord de pilotage et le DSI qui a tendance à mettre l’accent sur les aspects techniques de l’offre BI. Pour des raisons historiques voire culturelles ou sécuritaires, le DSI sera attiré par les solutions proposées par un éditeur déjà installé dans les lieux. Cependant, un comparatif réalisé auprès de plusieurs éditeurs peut parfois aboutir à des conclusions inattendues. Vous trouverez dans les références bibliographiques disponibles à la fin de cet ouvrage un lien proposant des critères de comparaison des fonctionnalités et de l’ergonomie des outils de BI. Nous déconseillons toujours de mettre en œuvre un projet BI s’il n’est pas « sponsorisé » par une direction fonctionnelle ou opérationnelle. En matière de BI, il existe un facteur déterminant de succès : la recherche de l’amélioration de la valeur. Ce facteur servira de fil conducteur tout au long de la réalisation du projet. En 1992, Robert Kaplan et David Norton ont avancé pour la première fois l’expression balanced scorecard (BSC) dans un article de la Harvard Business Review. En 1996, les mêmes auteurs publient un livre sur ce sujet, traduit en français sous le titre Le tableau de bord prospectif, pilotage stratégique : les quatre axes du succès (Éditions d’Organisation, 1998). Les auteurs proposent de sortir du traditionnel tableau de bord financier tout en faisant apparaître une vision multidimensionnelle de la performance. Ils définissent quatre axes privilégiés de la performance, chaque axe étant motivé par le même moteur : la stratégie de l’entreprise (figure 2.3). On distingue clairement les quatre axes ou perspectives stratégiques : • la perspective financière; • la satisfaction des clients; • les processus internes; • l’apprentissage organisationnel.

2.3 Les différents types d’indicateurs

————————————————————————————————————————————————————————

35

Mon personnel est-il heureux ? Comment améliorer la compétence des hommes et développer les outils performants ?

Quelle est ma stratégie de développement ?

Mes actionnaires, qu’attendentils de moi ?

Quels processus améliorer pour satisfaire et conserver mes clients ?

Que dois-je apporter à mes clients ? Que font mes concurrents ?

Figure 2.3 — Le balanced scorecard et les axes privilégiés d’analyse de la performance

Dans les années quatre-vingt, les entreprises privilégiaient la mesure de leur entreprise aux résultats financiers. Aujourd’hui les organisations ne se contentent plus de mesurer leur efficacité par une approche comptable. Norton et Kaplan ont montré comment des activités immatérielles dans l’entreprise ont une incidence forte sur le résultat. Ils ont démontré à quel point la satisfaction de l’actionnaire (axe finance) résulte fortement de la satisfaction du client (axe clients), ellemême très liée aux processus de l’entreprise (axe processus internes). Les processus de l’entreprise sont eux-mêmes servis par des hommes dont il est indispensable de connaître le niveau d’implication (axe apprentissage organisationnel). La grande force du BSC fut de montrer qu’il existait d’autres composantes qui participent à la valeur ajoutée. Norton et Kaplan ont nommé ces composantes intangible value drivers et ont tenté de définir des indicateurs de performance derrière chacun des axes.

2.3 LES DIFFÉRENTS TYPES D’INDICATEURS Les étapes à suivre lors de la construction du tableau de bord sont les suivantes : • Définir les objectifs. • Identifier les variables d’action.

36

—————————————————————————————————————————————————————————————

2. L’approche méthodologique

• Choisir les indicateurs. • Mettre en place les clignotants. Il ne rentre pas dans la mission de cet ouvrage de développer dans le détail la méthodologie participant à l’élaboration des tableaux de bord ou balanced scorecard, sujet sur lequel il existe une littérature abondante (se référer à la bibliographie en fin d’ouvrage). En revanche, nous donnerons à titre d’exemple quelques indicateurs qui nous paraissent essentiels au bon pilotage de l’entreprise. Nous distinguerons plusieurs fonctions dans l’entreprise et pour chacune d’elles nous répartirons les indicateurs selon quatre orientations : • indicateur d’activité; • indicateur qualité; • indicateur de coût; • indicateur d’éclairage.

2.3.1 Fonction Commerciale Quantités vendues par secteur, par produit, par client

Par secteur, par produit, par client

Nouveaux clients Nombre de commandes Activité

Clients n’ayant pas commandé depuis x temps Nombre de prospects visités Nombre de devis émis Taux de transformation sur devis Nombre de réclamations reçues et traitées Délai de livraison client

Qualité

Taux de renouvellement des contrats d’entretien Taux de rupture Frais commerciaux

Par nature, par secteur

Contribution/coût

Par agence

Coût

2.3 Les différents types d’indicateurs

————————————————————————————————————————————————————————

37

Promotions Engagements publicitaires

Par famille de produit

Frais de voyage et déplacement

Par secteur

Coût Coût des stocks obsolètes Indices d’évolution d’achat de vente Observation

Suivi de la compétitivité Concurrence Effectifs Embauches

Humains

Démissions Primes versées Nouveaux projets

2.3.2 Fonction Direction générale CA net, Quantités nettes Marge brute Part de marché Activité

Croissance du marché Rentabilité des capitaux investis Fonds de roulement Taux de rotation des clients, fournisseurs, stocks Carnet de commandes Indice de qualité selon métier de l’entreprise

Qualité

Délai de livraison Nombre de réclamations

Par secteur, par produit, par client

38

—————————————————————————————————————————————————————————————

2. L’approche méthodologique

Main d’œuvre de production Coût de revient des produits Coût

Frais généraux

Par nature

Frais commerciaux

Par secteur

Sous-traitance Indices d’évolution d’achat de vente Suivi de la compétitivité Observation

Concurrence Grands projets d’investissements Nouveaux projets Effectifs (internes/externes), embauches, démissions

Humains

Taux d’absentéisme Moral des troupes Fréquence des accidents du travail

2.3.3 Fonction Ressources humaines Niveau de salaire en % du CA, en % des coûts

Par département

Nombre d’augmentations de salaires

Par catégorie

Nombre de personnes recrutées Budget formation Activité

Nombre de candidatures pour pourvoir un poste Nombre de candidatures spontanées Effectif Effectif interne/externe

Par catégorie, par sexe, par âge

2.3 Les différents types d’indicateurs

Activité

————————————————————————————————————————————————————————

Productifs/Improductifs Nombre de départs en période d’essai Délai moyen d’un recrutement Âge moyen

Par catégorie

% de postes pourvus en interne Qualité

% de postes en binôme Nombre d’annonces nécessaires pour pourvoir un poste Nombre de licenciements Turnover Coût moyen d’un recrutement

Coût

Salaires

Par département, catégorie

Prévisions des départs en retraite Observation

Prévision de création de postes Nouvelles formations Heures supplémentaires Taux d’absentéisme

Humains M3oral des troupes Mobilité du personnel

2.3.4 Fonction Production et recherche – développement Capacité de production

Activité

Coût de revient des produits

Standard/réel

Valeur ajoutée

Par atelier

Quantités produites/heures productives Quantités produites/effectif total

39

40

—————————————————————————————————————————————————————————————

2. L’approche méthodologique

Quantités produites/heures machines Consommation de matières premières/ quantités produites Activité

Quantités produites

Tonnes, unités

Maintenance préventive Niveau des stocks/activité par nature

matières premières, produits semi-finis, produits finis

Taux de retouches, taux de déchets, taux d’arrêts techniques Nombre de réclamations, retours clients, retours fournisseurs Qualité

Nombre de ruptures de stock Respect du délai clients, suivi du délai fournisseurs Délai de fabrication Retard moyen des projets et études Consommation d’heures Coût de main d’œuvre de R&D

Coût Sous-traitance Énergie Planning de production Observation

Carnet de commandes Évolution du prix des matières premières Effectif interne/externe Embauches démissions

Humains

Absentéisme/turnover Qualification du personnel Taux d’improductifs

Par atelier et par produit

2.3 Les différents types d’indicateurs

————————————————————————————————————————————————————————

2.3.5 Fonction Logistique et approvisionnements Produits expédiés (tonnes, unités et valeur) Valeur totale des stocks

Standard/réel

Analyse ABC des stocks Taux de rotation des stocks Activité

Écarts sur inventaire % de stock mort Surface de stockage utilisée Nombre de transporteurs Nombre de références gérées en stock Taux de retouches, taux de déchets, taux d’arrêts techniques Délai moyen de livraison au client Délai moyen d’approvisionnement/ fournisseur Temps moyen et changement de véhicules

Qualité

Retards de livraison

En jours et en valeur

Nombre de ruptures de stock

Matières premières et produits semi-finis

Nombre de litiges transport, de livraison Nombre d’avoirs Taux de remplissage Coût total du transport Coût transport

Par transposteur/ m3 transporté

Coût moyen d’acheminement

Par fournisseur

Coût des stocks

Par m3, total

Coût

Observation

Carnet de commandes

41

42

—————————————————————————————————————————————————————————————

2. L’approche méthodologique

Effectif interne/externe Embauches démissions Humains Absentéisme/turnover Qualification du personnel

2.3.6 Fonction Achats Montant annuel des achats Montant moyen d’achat

Par commande, par personne

Nombre de commandes traitées par personne Taux de remise obtenu par personne Conditions de paiement négociées Nombre de références Nombre de demandes d’achat Activité

Nombre d’appels d’offre Nombre de négociations Nombre de commandes Nombre de comptes fournisseurs Nombre de fournisseurs en activité Nouveaux fournisseurs Turnover fournisseurs Part des importations

Qualité

Délai moyen de traitement d’une commande fournisseur Nombre de relances

Par tranches de valeur

2.3 Les différents types d’indicateurs

————————————————————————————————————————————————————————

Nombre d’avoirs, de litiges Performance des fournisseurs Qualité Qualité des négociations Taux de couverture des besoins Salaires Dépenses de fonctionnement Coût Coût moyen de traitement d’une commande

Total/par fournisseur

Coût moyen de recherche de fournisseur Études de marché fournisseurs Observation

Évolution du marché Carnets de demandes d’achats Effectif interne/externe Embauches démissions

Humains Absentéisme/turnover Qualification du personnel

2.3.7 Fonction Informatique – Études – Exploitation Rentabilité des investissements Marge de contribution d’une nouvelle application Analyse des temps d’étude Activité

Développement

Planifié non planifié

Nombre d’heures de test Nombre d’heures sous-traitées Nombre d’heures ingénieur

Par projet

43

44

—————————————————————————————————————————————————————————————

2. L’approche méthodologique

Heures d’études

Activité

Lignes produites

Par programmeur/ période

Nombre de transactions

Par heures

Nombre de programmes en exploitation Nombre d’heures machines Nombre de pages éditées Respect du budget Retard moyen % heures de tests/heures d’études % maintenance/études nouvelles Délai de réponse aux demandes Qualité Délai moyen d’une demande Nombre d’incidents par période Nombre d’erreurs de manipulation Nombre d’incidents matériels Nombre d’heures indisponibles Dépenses globales Ventilation des dépenses

Par logiciel/personnel, études/exploitation

Salaires

Ingénieurs, techniciens, développeurs

Coût Heures machines de tests/Production Heures ingénieur Coût moyen par transaction

2.4 Deux mondes différents : OLTP et DW

———————————————————————————————————————————————————

45

Carnet de commandes Nouvelles applications Planning prévisionnel de charge Observation

Hausse des volumes traités

Par rapport aux années précédentes

Hausse des heures-machine

Idem

Remplacement de matériel/amortissement Nouvelles versions des logiciels/utilité Effectif interne/externe Embauches/démissions Humains % de sous-traitance Qualification du personnel

2.4 DEUX MONDES DIFFÉRENTS : OLTP ET DW Avant de développer les techniques nécessaires à la définition de l’entrepôt de données, nous devons avoir conscience des différents niveaux de stockage des données, chacun d’entre eux étant destiné à des tâches différentes pour des utilisateurs différents. Le processus transactionnel (OLTP, Online Transaction Processing) est totalement orienté vers l’utilisateur qui alimente au quotidien les bases de production. En revanche, le modèle dimensionnel du datawarehouse (DW) est destiné aux analystes métier. Le premier joue le rôle de récepteur des données originelles quels qu’en soient les supports et les outils (saisie sur Internet, alimentation de l’ERP, comptabilité d’entreprise, saisie dans des tableaux Excel, etc.). Le second joue le rôle de concentrateur des données afin de leur conférer une cohérence globale et partagée par l’ensemble des acteurs de l’entreprise. Le DW peut prendre une forme particulière de stockage, OLAP, qui n’est qu’une représentation optimisée du datawarehouse. OLAP présente en effet l’avantage de fournir une information « prédigérée » selon les différents points de vue des gestionnaires de l’entreprise. Les utilisateurs de chaque niveau ne sont pas les mêmes, les structures de données sont différentes, l’administration est différente ainsi que la gestion quotidienne.

46

—————————————————————————————————————————————————————————————

2. L’approche méthodologique

2.4.1 Qu’est-ce qu’une transaction ? Un système OLTP tel qu’un ERP ou un PGI traite des centaines voire des milliers de transactions par jour. Chaque transaction est le reflet soit d’une mise à jour, soit d’une suppression ou encore d’un ajout de données nouvelles. A contrario le datawarehouse ne fera l’objet que d’une seule transaction dont la fréquence est généralement quotidienne. En revanche cette transaction représente des centaines de milliers d’enregistrements. De plus, elle s’effectue exclusivement en mode d’ajout de données sans aucune modification ni suppression des données existantes. L’historique des mouvements est donc intégralement conservé. Ce mécanisme participe à la sacro-sainte traçabilité de l’information en entreprise (loi SOX). Ce processus porte le nom d’ETL : extraction, transformation, chargement (load). Un soin particulier sera apporté lors du processus d’ETL à la consistance des bases avant et après le chargement. En effet, le processus de chargement peut faire l’objet d’une interruption intempestive laissant le système dans un état d’inconsistance. Bien qu’un processus de rollback puisse être mis en place, il sera souvent préférable de procéder à une restauration de la base DW dans l’état où elle était avant le début du chargement. On verra que les ETL proposent des solutions de reprise intermédiaire basées sur des points de contrôle (checkpoint) à certaines étapes du processus.

2.4.2 Les utilisateurs et les gestionnaires Les utilisateurs des systèmes OLTP sont des acteurs qui alimentent en permanence les bases de données opérationnelles des organisations. Ils prennent des commandes, enregistrent des paiements, procèdent à des règlements, saisissent de nouveaux clients, enregistrent des réclamations, font des réservations, entrent de nouvelles données et en corrigent d’anciennes. L’organisation des systèmes OLTP doit permettre la mise à jour instantanée de toutes ces données. Les gestionnaires (DBA, DataBase Administrator) de systèmes OLTP sont obsédés par la performance, la fiabilité et la sécurité des SGBD dont ils ont la responsabilité. Si le système OLTP s’arrête, c’est toute l’entreprise qui est bloquée. Il n’est donc pas question d’effondrer les performances des systèmes par des requêtes ou des rapports de synthèse qui seraient exécutées par les analystes métier dans l’entreprise. Ces analystes sont les observateurs de l’organisation. Ils sont naturellement de gros consommateurs des datawarehouses. Leur métier consiste à comptabiliser les nouvelles commandes, chercher à comprendre les motifs qui poussent les clients à partir, analyser les réclamations, comparer l’activité d’une année sur

2.4 Deux mondes différents : OLTP et DW

———————————————————————————————————————————————————

47

l’autre, observer des tendances. Ils détectent parfois des anomalies dans les systèmes sous-jacents. Ces gestionnaires observent les données à un niveau élevé de synthèse. Ils éprouvent rarement le besoin d’accéder à des informations détaillées. Ils s’interrogent sans cesse sur la manière dont les affaires se déroulent, passent rapidement de rapports en analyse, de requêtes en nouvelles interrogations dans le but de déceler du sens dans la marche de l’entreprise. Les réponses à leurs interrogations doivent être immédiates, quelques secondes tout au plus et ceci quelle que soit la complexité de la requête. Le reporting est souvent l’objet principal du datawarehouse (80 % des cas). Aujourd’hui il n’est plus question d’imprimer des listings volumineux dans lesquels bien souvent une seule ligne (en général la dernière) est utile pour l’analyse. Il s’agit au contraire de mettre en place un reporting utile et personnalisé en fonction du besoin du lecteur. Dans les chapitres qui suivent, nous verrons comment un utilisateur peut souscrire un abonnement à tel ou tel rapport, le recevoir dans sa messagerie quotidiennement ou mettre en place des alertes afin d’être prévenu lors de telle ou telle transaction ou franchissement de seuil.

Figure 2.4 — Voici un tableau qui doit pouvoir être fourni par un système basé sur un datawarehouse

L’exemple de la figure 2.4 montre les nouvelles fonctionnalités du traitement des indicateurs clés (KPI) proposés par le logiciel de requêtage de cubes OLAP Proclarity 6. Ce tableau synthétique, relativement complexe à développer en programmation pure, est un jeu d’enfant à créer avec les assistants mis à la disposition de l’utilisateur final (l’analyste métier).

2.4.3 La dimension temporelle Les systèmes OLTP et les datawarehouses traitent le temps de façon très différente. Le meilleur des systèmes OLTP est en perpétuel changement, du fait des traitements de mise à jour constants. Ralph Kimball, dans son ouvrage de réfé-

48

—————————————————————————————————————————————————————————————

2. L’approche méthodologique

rence The data warehouse toolkit, Practical techniques for building dimensional data warehouses, Editions Wiley, parle alors de base de données scintillante. On comprend bien que des changements constants dans la base ou des ré-écritures sur des données anciennes sont de nature à perturber les analyses. Un système OLTP en perpétuel mouvement ne produira pas deux analyses identiques à des moments différents dans une même journée. Ces problèmes de changements permanents sont définitivement résolus par la mise en œuvre de l’entrepôt de données dont l’objet est de stocker une succession d’instantanés en provenance du système opérationnel et selon une fréquence régulière. Un peu comme des géologues capables d’expliquer la formation des montagnes en observant les couches successives de sédiments, le datawarehouse permet de reconstituer l’évolution de l’activité d’une organisation grâce à des photographies instantanées prises à des périodes régulières. De la même façon que les géologues creusent les couches sédimentaires afin d’analyser les évolutions dans le temps, le manager utilise la technique de forage (drill down) afin de mesurer et de comprendre les actions qui se sont succédées dans la réalisation des affaires. Nous introduirons également la notion de « dimensions à variation lente » (slowly changing dimensions). Cette technique est fondamentale pour représenter correctement les variations qui se sont succédées dans le passé. En effet, il est fréquent que des modifications surviennent dans les gammes de produits, chez les clients et fournisseurs. Bien souvent, le manager souhaitera conserver la trace de ces variations. La technique des instantanés statiques qui alimentent régulièrement le datawarehouse règle deux problèmes connus dans les bases transactionnelles : • À la différence de l’OLTP, le datawarehouse est au repos lorsque les utilisateurs lancent leurs requêtes car le « scintillement » n’est pas permis. • Le soin apporté lors du stockage des informations dans le datawarehouse autorise une représentation temporelle des données qui n’est pas native dans les systèmes OLTP. Avec le datawarehouse, il est en effet possible de rapprocher des informations de ventes ou de production sur des périodes de temps comparables. Il est naturel d’analyser les données sur plusieurs années en year to date (cumul depuis le début de l’année). Il est également aisé de connaître les nouveaux clients depuis telle date ou au contraire ceux qui ont quitté l’entreprise. Nous verrons dans le chapitre 5 comment l’ETL (Integration Services dans SQL Server 2005) permet de mettre en œuvre le processus de stockage des instantanés dans le datawarehouse.

2.4 Deux mondes différents : OLTP et DW

———————————————————————————————————————————————————

49

2.4.4 Le modèle de données entité-relation pour les développeurs Une autre différence majeure entre les systèmes transactionnels et les datawarehouses réside dans le modèle relationnel. La modélisation d’un système OLTP vise essentiellement à réduire la redondance des données de telle sorte que les transactions modifient les données à un endroit unique. Le modèle entité-relation sur lequel sont basés les systèmes OLTP met en œuvre une organisation très complexe avec de nombreuses tables reliées entre elles selon des jointures précises garantissant par ailleurs l’intégrité de la base. Il en résulte une grande difficulté de compréhension du schéma relationnel. Il n’est pas facile de comprendre au premier coup d’œil quelles sont les tables importantes et celles qui le sont moins, quelles tables contiennent des données dynamiques et celles qui sont plutôt statiques, quelles tables présentent des mesures de performance, quelles tables sont plutôt descriptives. Voici quelques conséquences liées à cette organisation : • Le modèle entité-relation, compte tenu de la complexité de son organisation, présente des temps de réponse excellents lors d’ajout ou de mise à jour mais catastrophiques lorsqu’il s’agit d’effectuer des requêtes à des fins d’analyse. • Il résulte du point précédent que seules quelques requêtes peuvent être envisagées dans une journée. • Compte tenu de la complexité du schéma des tables, le département informatique est contraint d’écrire des requêtes pour les utilisateurs métier. • Dans les bases de données relationnelles normalisées, les requêtes qui sont de simples questions en termes métier, sont très complexes à écrire en langage SQL et ne peuvent donc être élaborées que par des spécialistes. • Les utilisateurs sont frustrés de ne pouvoir eux-mêmes effectuer leurs requêtes et analyses.

2.4.5 Le modèle dimensionnel pour les analystes Le modèle qui est le plus proche des utilisateurs et qui décrit le mieux l’activité de l’entreprise est le modèle dimensionnel appelé également « schéma en étoile ». Ce schéma a été initialement mis en évidence par des fournisseurs de données tels que A.C. Nielsen, IRI, IMS et Walsh America. Ce schéma résulte d’une demande légitime d’amélioration des temps de réponse lors de l’accès à de très grosses bases de données et également d’une volonté de simplification de la vision qu’un utilisateur peut avoir lors de l’analyse des données métier.

50

—————————————————————————————————————————————————————————————

2. L’approche méthodologique

Le modèle dimensionnel est composé d’une table centrale entourée d’un certain nombre de tables. À la différence d’un modèle entité-relation, la table centrale est la seule qui présente des jointures avec les autres tables. La table centrale est appelée table de faits, et les autres tables, tables de dimensions. Dans le schéma en étoile de la figure 2.5, la table de faits centrale est InternetSales. Cette table historise l’ensemble des ventes effectuées sur Internet. Les tables dimensionnelles caractérisent les clients, les produits et le temps.

Figure 2.5 — Un modèle dimensionnel type. Le schéma en étoile

Le schéma en flocon présente les mêmes caractéristiques que le schéma en étoile avec cependant des branches dimensionnelles normalisées (plusieurs tables en cascade). Dans la figure 2.6, les branches Customer et Geography sont normalisées. La table de faits renferme les données qui mesurent la performance ou l’activité de l’entreprise; par exemple les ventes quotidiennes, les quantités fabriquées, les heures travaillées. Les mesures stockées dans ces tables sont exclusivement numériques et additives, c’est-à-dire qu’elles pourront être agrégées dans le temps.

2.4 Deux mondes différents : OLTP et DW

———————————————————————————————————————————————————

51

Exemple : le cumul des ventes quotidiennes, mensuelles, annuelles. Ces mesures répondent à la question « Combien ? ».

Figure 2.6 — Schéma en flocon

Les tables de dimensions présentent souvent des descriptions textuelles. Par exemple, on effectuera des requêtes par produit ou par client. Dans ce cas, les produits ou les clients sont des axes d’observation métier. Ces axes d’analyse répondent souvent aux questions « Quoi ? » (quel produit), « Où ? » (chez quel client), « Comment ? » (quel canal de vente), « Qui ? » (quel vendeur). Tableau 2.1 — Le croisement des dimensions permet d’analyser les indicateurs selon de nombreuses perspectives Quand ? Année (historique sur 10 ans) Mois Jour Cumul à ce jour

Qui ?

Quoi ?

Où ?

Indicateurs (Combien ?)

Équipes

Éditeur

Enseigne

CA & Qté vendues

Représentants

Catég. Prod.

Libraire

CA & Qté retournées

Collection

Remise en % et valeur

Titre de l’ouvrage

Retours en % et valeur

52

2. L’approche méthodologique

—————————————————————————————————————————————————————————————

Tableau 2.2 — L’analyse dimensionnelle offre des combinaisons multiples et quasi illimitées. Chaque dimension peut comporter des niveaux hiérarchiques permettant d’affiner les analyses Dimensions

Indicateurs

Temps

De résultat

Géographie

Nombre d’unités vendues Part de marché

Usine

Nombre de clients traités Commandes prises

Canaux de ventes

Taux de produit défectueux Pièces produites

Organisation

Pièces en rebut Coût

Temps (calendaire/fiscal)

Budget/réalisé Contribution/marges Ratios … De moyens Matière consommée/unité produite Heures de main d’ouvre D’avancement et plan d’action % personnel formé Nombre de cercles de qualité D’environnement Cours des matières premières Taux de change Taux financier …

Dans la figure 2.7, les flèches représentant les arêtes du cube symbolisent les axes d’observation (Géographie, Produits et Temps). Les cellules du cube matérialisent les mesures ou indicateurs (nombre d’unités, CA, marge, etc.).

2.5 Comparatif des deux modèles de stockage des données

———————————————————————————————————

53

Axe d’analyse : La géographie (Pays - région - ville)

Indicateurs : Nb unités, CA, marge... Axe d’analyse : Les produits (Éditeur, Collect, titre) Axe d’analyse : Le temps (Année, trimestre, mois, jour)

Figure 2.7 — Représentation habituelle du modèle multidimensionnel sous forme de cube

2.5 COMPARATIF DES DEUX MODÈLES DE STOCKAGE DES DONNÉES En guise de synthèse, nous proposons un comparatif entre les modèles de stockage dit transactionnels et multidimensionnels. Ces règles ont été définies par deux théoriciens américains, E.F. Codd et C.J. Date.

2.5.1 Le modèle transactionnel (OLTP) Les douze règles du relationnel (définies par Codd et Date) Règle 1 : Toute information d’une base de données relationnelle est représentée par des valeurs insérées dans des tables composées de lignes et de colonnes. Règle 2 : Toute donnée ou toute valeur atomique dans une base de données relationnelle doit être accessible grâce à la connaissance d’un nom de table, de la valeur d’une clé primaire et d’un nom d’attribut (colonne). Règle 3 : Les valeurs nulles (distinctes d’une chaîne de caractères vide ou d’une chaîne de caractères « blancs » ou de zéro ou tout autre nombre) sont supportées par un SGBD relationnel en tant que représentation d’information manquante. Règle 4 : La description de la base de données est représentée au niveau logique de la même manière que des données ordinaires, de sorte que des utilisateurs privilégiés (bénéficiant des bonnes autorisations) peuvent utiliser le même lan-

54

—————————————————————————————————————————————————————————————

2. L’approche méthodologique

gage (SQL) afin d’accéder aux données utilisateurs ou aux métadonnées (structure des tables). Règle 5 : Un système de gestion de données relationnel peut accepter plusieurs langages et plusieurs interfaces utilisateurs. Cependant, il doit y avoir au moins un langage dont les commandes sont exprimables grâce à une syntaxe bien spécifiée exprimée sous forme de chaînes de caractères. Ces commandes sont : • la définition des données; • la définition des vues; • la manipulation des données (interactive et à l’aide de programmes); • les contraintes d’intégrité; • les autorisations; • les limites de transaction (début, fin, commit). Règle 6 : Toutes les vues que l’on peut théoriquement mettre à jour peuvent aussi être mises à jour par le système (ce qui inclut insertion, modification, suppression). Règle 7 : La possibilité de manipuler une relation de la base ou relation dérivée comme un opérande unique s’applique non seulement à la recherche de données mais aussi à l’insertion, à la modification et à la destruction. Règle 8 : Les programmes d’application et les interfaces écran demeurent logiquement inchangés si on modifie les méthodes de stockage ou les méthodes d’accès. Règle 9 : Les programmes d’application et les interfaces écran demeurent logiquement inchangés si des modifications sont effectuées dans les tables. Règle 10 : Les contraintes d’intégrité spécifiques pour une base de données relationnelle doivent être définissables dans le langage de manipulation de la base et stockables dans le catalogue, et non dans les programmes d’application : • Intégrité de l’entité : aucun composant de la clé primaire n’est autorisé à être nul. • Intégrité référentielle : pour chaque clé étrangère distincte non nulle d’une base de données relationnelle, il doit exister une clé primaire correspondante du même domaine (dans une autre table). Règle 11 : Une base de données relationnelles est indépendante vis-à-vis de la répartition. Autrement dit, les programmes d’application et les interfaces écran demeurent logiquement inchangés : • si on introduit un nouveau modèle de répartition des données, • si les données sont distribuées sur plusieurs serveurs (dans le cas où le SGBD gère la répartition).

2.5 Comparatif des deux modèles de stockage des données

———————————————————————————————————

55

Règle 12 : Si un système relationnel est interfacé avec un langage de bas niveau, ce langage ne peut pas enfreindre ou contourner les règles d’intégrité exprimées par le langage de haut niveau (de type ensembliste). Ces règles ont été définies par C.J. Codd en 1985. Depuis, elles ont fait l’objet d’amélioration.

2.5.2 Le modèle multidimensionnel (OLAP) Voici les douze règles caractérisant le modèle multidimensionnel (C.J. Codd). Règle 1 : Offre une vue permettant des manipulations simples sur les données : rotation, pivot ou vue par tranche, permutation d’axes (slice and dice) ou en cascade (drill anywhere). Règle 2 : Offre une transparence du serveur OLAP à différents types de logiciels. Permet d’implanter le système OLAP sans affecter les fonctionnalités du système central. Règle 3 : Doit être accessible à de nombreuses sources de données. Les outils OLAP ont leur propre schéma logique de stockage de données physiques mais doivent accéder aux données et réaliser n’importe quelle conversion pour présenter une vue simple et cohérente des données. Ils doivent savoir d’où proviennent les données. Règle 4 : L’augmentation du nombre de dimensions ou du volume de la base de données ne doit pas entraîner de dégradation de performance visible par l’utilisateur. Règle 5 : La plupart des données OLAP sont stockées sur des systèmes puissants et sont accessibles via des postes individuels. Il est donc nécessaire que les produits OLAP travaillent en environnement client/serveur. Règle 6 : Toutes les dimensions doivent être équivalentes en structures et en calcul. Il ne doit exister qu’une seule structure logique pour toutes les dimensions. Règle 7 : L’optimisation des matrices creuses est nécessaire afin de tenir compte des combinaisons vides (dans une analyse à la fois sur les produits et les clients, tous les produits ne sont pas vendus chez tous les clients). Règle 8 : Le système doit offrir des accès concurrents, garantir l’intégrité et la sécurité afin que plusieurs utilisateurs puissent accéder au même modèle d’analyse. Règle 9 : Tout outil OLAP doit gérer au moins 15 à 20 dimensions. Règle 10 : Les opérations doivent s’effectuer sur toutes les dimensions (agrégats) et ne pas demander à l’utilisateur d’intervenir pour définir un calcul hiérarchique.

56

—————————————————————————————————————————————————————————————

2. L’approche méthodologique

Règle 11 : Toute manipulation de données doit être intuitive. Elle doit être accomplie via une action directe sur les cellules du modèle sans utiliser de menus ou des chemins multiples à travers l’interface utilisateur. Règle 12 : Doit offrir une souplesse et une grande facilité de constitution des rapports. Doit permettre de présenter les résultats sous forme de données synthétiques ou en fonction de l’orientation du modèle.

2.5.3 Synthèse OLTP et OLAP Tableau 2.3 — Comparaison des deux modèles de stockages des données OLTP (bases transactionnelles de production)

OLAP (cubes analytiques)

Utilisateur

Collaborateur, cadre opérationnel

Cadre fonctionnel, décideur

Fonction

Saisie journalière

Aide à la décision

Base de données

Orientée application (ERP)

Orientée métier

Données

Dynamique

Historique

Usage

Répété

À la demande (ad hoc)

Lecture/écriture

Lecture seule (écriture de simulation possible)

Transaction (insertion/ suppression, mise à jour). Langage SQL

Requête complexe hiérarchique. Langage MDX

Nb enregistrements utilisés

Quelques enregistrements

Millions d’enregistrements

Nb utilisateurs

Centaines

Dizaines

Volume de la Base

GB

TB

Accès

Unité de travail

2.5.4 Modèle simplifié FASMI Les douze règles de Codd ont été simplifiées, complétées et synthétisées par l’acronyme FASMI (Fast Analysis Shared Multidimensional Information) : • Fast. Le système est conçu afin de délivrer aux utilisateurs la plupart des réponses en moins de 5 secondes.

2.6 OLAP ou reporting ?

——————————————————————————————————————————————————————————————————

57

• Analysis. Le système doit pouvoir répondre à toute problématique métier, tout type d’analyse et toute statistique appropriée à l’application. L’accès à l’information doit être aisé et répondre rapidement aux besoins de l’utilisateur. • Shared. Les données sont centralisées et partagées avec tous les niveaux de sécurité et confidentialité nécessaires. Le système doit être capable de tenir compte des accès multiples en écriture des cubes OLAP. (Microsoft Analysis Services est un exemple d’outil sécurisé de mise à jour de cubes à des fins de simulation.) • Multidimensional. Cette notion est la clé de la définition de l’OLAP. Le système doit être en mesure de fournir à l’utilisateur une vue multidimensionnelle et hiérarchique, offrant une vision proche de celle de la structure de l’organisation de l’entreprise. • Information. Toute l’information pertinente de l’entreprise doit pouvoir être stockée sans considération de limitation de taille ou du nombre de composants.

2.6 OLAP OU REPORTING ? Le propos est de mettre en avant les avantages et les inconvénients des deux systèmes (OLAP et reporting) afin de choisir l’outil le mieux adapté pour répondre à un besoin « utilisateur » spécifique. Approche du problème Les techniques d’aide à la décision font appel à deux approches complémentaires. L’une est centrée sur les données à produire, l’autre sur l’utilisateur. Dans le cas de l’approche centrée sur les données, on examine les caractéristiques des données à produire et on choisit la technologie la mieux adaptée pour cela. Dans le cas de l’approche centrée sur l’utilisateur, la réflexion est menée autour des besoins exprimés par le demandeur. En effet, vous cherchez à connaître qui sont les consommateurs d’information et quelles sont leurs attentes : s’agit-il de prendre des décisions, de suivre la performance d’une unité opérationnelle, ou de partager l’information avec d’autres collaborateurs. Lorsque le besoin sera défini, il s’agira de déterminer la meilleure technologie susceptible d’aider les utilisateurs à accomplir leurs tâches. Les critères de décision L’information doit-elle être délivrée telle quelle ou doit-elle faire l’objet d’une interprétation ? Un grand nombre de projets BI a seulement pour but de délivrer

58

—————————————————————————————————————————————————————————————

2. L’approche méthodologique

un ensemble de rapports à une population d’individus déterminée. Certains projets ont pour but de comprendre le sens des données sous-jacentes et de produire des informations utiles à destination des décisionnaires soucieux de la performance de leur organisation. Par exemple, dans le cas d’une relation de partenariat entre deux acteurs, la fourniture d’information sur un état de compte ou des factures en cours est un schéma de type centré sur les données. Le but étant de fournir aux utilisateurs un accès aisé et rapide à des enregistrements spécifiques pour un compte donné. Dans un tel projet, on ne recherche pas à connaître l’usage qui sera fait de telles données par l’utilisateur. Le seul objectif est de fournir des données sans se soucier de leur interprétation. D’un autre côté, la mise à disposition d’information dans le but de permettre à un décisionnaire de mieux contrôler le niveau d’inventaire ou de suivre les ventes au quotidien d’un produit afin d’optimiser le circuit de livraison et le niveau de stock, est un projet BI orienté compréhension. Parce qu’une réponse à une question induit naturellement toute une série d’autres questions/réponses, dont le cheminement n’est pas connu par avance, l’outil qui permettra d’apporter une aide à ce schéma sera basé sur un modèle Multidimensionnel. Quel est le pourcentage de données pour lesquelles la lecture est connue d’avance, et quel est le pourcentage des informations connues dynamiquement ? Dans le premier cas les rapports traditionnels sont bien adaptés. Les données et calculs associés, vues et filtres divers sont prédéfinis. Ces rapports statiques dans leur forme, sont disposés sur des serveurs de rapports et délivrés tels quels auprès des managers opérationnels. Si au contraire, votre projet nécessite de réaliser des requêtes dynamiques et non prédéfinies, les outils analytiques OLAP sont les plus judicieux. Ils le sont à double titre. • Les utilisateurs peuvent naviguer verticalement dans une unité fonctionnelle et transversalement à travers les départements de l’entreprise. • Les informaticiens disposent d’outils très sophistiqués permettant de laisser à la machine le soin de répondre à des interrogations complexes qui nécessiteraient des jours de programmation dans des environnements de développement traditionnels. Voici deux exemples de requêtes qu’il est aisé de traiter au travers d’un système OLAP et très complexe avec le langage SQL de base : • Quels sont les clients dont la part cumulée progresse le plus vite depuis le début de l’année ?

2.6 OLAP ou reporting ?

——————————————————————————————————————————————————————————————————

59

• Quelle est la variation des ventes cumulées et comparées sur trois ans pour mes cinquante plus gros clients ? Comment les données sont-elles fournies ? Les outils de reporting ont tendance à produire des rapports avec des présentations formatées. Les technologies OLAP sont optimisées pour des analyses temps réel (navigation non prévisible, calculs à la volée, et scénarios de type « what if » permettant de réaliser des simulations sur les données opérationnelles). Ces technologies permettent des restitutions dynamiques au travers de navigateurs Internet ou peuvent être « encapsulés » dans des tableurs. Quels sont les types d’interrogation et de temps de réponse attendus par les utilisateurs ? D’un côté, les rapports prédéfinis sont envoyés à l’imprimante qui par définition est un périphérique lent. Cette tâche est le plus souvent planifiée et peut durer des heures. D’un autre côté, un utilisateur « analyste » navigue sur des Giga octets de données réalisant des requêtes complexes avec des temps de réponse inférieurs à la seconde. L’état de l’art en matière de technologie OLAP, utilise des algorithmes d’agrégation et de compression de données dans le but de garantir toutes les combinaisons utiles au sein du cube. Cette organisation permet de disposer de requêtes dont les temps de réponse sont quasi immédiats. Pour offrir des temps d’accès aussi rapides, il est impératif d’agréger les données et de ne pas conserver le niveau « atomique » généralement stocké dans les bases de production. Par exemple, si des centaines de transactions sont stockées pour le même client dans la même journée, il suffira de stocker dans le cube une seule ligne représentant le cumul journalier pour le client. Le niveau de granularité du cube est souvent un agrégat des données de production. En effet si cette condition n’est pas respectée, on constate une « hypertrophie » du cube pouvant amener à une « explosion » de la structure. On l’a compris, si l’on doit analyser les données au niveau de la transaction, la structure relationnelle est naturellement mieux adaptée. Quelles sont les tailles acceptables ? Historiquement, les technologies OLAP ont montré certaines limitations réduisant le champ des problèmes qu’elles étaient censées résoudre. Les technologies OLAP récentes ont considérablement repoussé les limites de taille. Il n’est pas rare de rencontrer des cubes de quelques giga-octets avec des performances tout à fait acceptables. Si les données sont volumineuses et utilisées à leur niveau le plus bas, le stockage relationnel est probablement le meilleur choix. En revanche, si les données

60

—————————————————————————————————————————————————————————————

2. L’approche méthodologique

sont volumineuses, mais que l’analyse s’effectue à un niveau agrégé des données, la structure OLAP est le meilleur choix. Pourquoi un référentiel métier unique ? SQL, le langage des bases de données relationnelles, n’a pas été défini pour des calculs et filtrages complexes. Pour détourner ces limitations, les utilisateurs s’orientent souvent vers le tableur afin de réaliser des calculs complexes. Au mieux, l’utilisation de ces outils représente un risque à cause de la technique du « copier-coller ». Au pire ces techniques à base de tableurs mènent à l’anarchie des rapports où chaque collaborateur dispose de « sa » propre version de la vérité. On observe trop fréquemment dans les organisations des cadres passant une bonne partie de leur temps à consolider des tableaux répartis dans un grand nombre de stations de travail. Nous verrons au chapitre 11 que le tableur Excel est particulièrement adapté à l’analyse pour autant qu’il puise des données directement sur le serveur de DW. La centralisation du référentiel métier, utilisé par les décisionnaires pour l’élaboration des indicateurs clés de performance (KPI), apporte une compréhension des affaires grâce à une standardisation des concepts et au partage collaboratif. La vue synthétique des objets métiers répertoriés dans le dictionnaire global de l’entreprise, améliore la compréhension, et la productivité lors de l’extraction des données et de la construction des tableaux. Les données ont-elles besoin d’être agrégées ou bien traitées au niveau le plus bas ? Nous l’avons vu, le but des bases multidimensionnelles est d’analyser et de manipuler de grandes quantités de données. Le type même de structure « cubique » permet la création de nouveaux algorithmes d’agrégation et de synthèse. L’intérêt d’une telle structure est que les calculs d’agrégation et de totalisation des indicateurs sont stockés dans un référentiel unique, partagé par tous. La restitution de l’information est ainsi considérablement fiabilisée réduisant le risque d’erreur d’interprétation. Par ailleurs le type de structure résultant de l’organisation des cubes induit naturellement une vision commune et un partage naturel et complémentaire des observations de chacun dans l’entreprise. Quel est le besoin de la modélisation de la décision ? De nouvelles recherches se sont développées autour de la structure multidimensionnelle de données. De nouvelles possibilités sont alors apparues en particulier dans le domaine de l’analyse prédictive et de la segmentation. Un type d’analyse assez fréquent est basé sur la question suivante « que se passerait-il si ? ». En effet il peut être intéressant dans un modèle économique

2.7 Le processus décisionnel avec SQL server 2005

———————————————————————————————————————————

61

de faire varier tel ou tel facteur sur les données réelles de l’entreprise et d’en mesurer l’impact. Une autre démarche consiste à ajouter ou retirer une variable dans un contexte prévisionnel et d’en mesurer l’impact immédiatement. Les structures multidimensionnelles dites en écriture permettent de stocker temporairement ces données de simulation et d’en mesurer les conséquences sur l’ensemble du modèle. Un autre volet consiste à réaliser des analyses prédictives. Certains algorithmes statistiques permettent de se projeter dans le futur et ainsi de prévoir des résultats avant même que la réalité ne se produise. Cette analyse est particulièrement utile aux gestionnaires qui basent leurs projections sur les données historiques de l’entreprise. Aujourd’hui malheureusement, ce type d’analyse est souvent réalisé à partir d’outils disparates dans l’entreprise, visant à consolider manuellement les informations puisées dans les divers silos de données. On le comprend bien, ces méthodes « artisanales » même si elles résultent d’un travail commun non négligeable, ne permettent pas de profiter des bénéfices liés à la centralisation et au partage de quantités importantes de données de l’entreprise. Les technologies OLAP apportent naturellement des réponses à cette problématique. En conclusion Les techniques basées sur des structures de données relationnelles sont efficientes lorsqu’elles visent à distribuer des données détaillées aux utilisateurs au travers de rapports préformatés. Les technologies OLAP sont plus appropriées lorsque les utilisateurs désirent explorer et comprendre les données agrégées afin de répondre rapidement à des besoins stratégiques de l’entreprise. L’utilisation partagée d’un référentiel « métier » de l’entreprise favorise le dialogue et le partage naturel de la stratégie entre les acteurs des différents départements de l’entreprise.

2.7 LE PROCESSUS DÉCISIONNEL AVEC SQL SERVER 2005 Les différentes étapes du processus décisionnel sont maintenant clairement définies et synthétisées dans la figure 2.8. • Collecte des données depuis les différentes sources opérationnelles (Oracle, DB2, SQL, Sybase, ODBC, OLE DB…). • Intégration dans un ou plusieurs datamart métier selon un modèle multidimensionnel (schéma en étoile relationnel). Cette fonction est remplie par Integration Services.

62

—————————————————————————————————————————————————————————————

2. L’approche méthodologique

• Transformation du modèle multidimensionnel relationnel en modèle hypercube OLAP. Élaboration de KPI (Indicateurs clé de performance). Fouille de données visant à découvrir du sens dans les entrepôts. Cette recherche est confiée à des algorithmes spécialisés de data mining grâce à Analysis Services. • Restitution de l’information sous forme de rapports ou d’analyses croisées à la demande. Reporting Services, Report Builder, Proclarity, Excel, participent à la restitution. • Présentation synthétique des résultats d’analyse dans un tableau de bord (Business scorecard Manager intégré dans Sharepoint Portal). Nous développerons chacune des composantes à partir du chapitre 5.

2.8 LES ERREURS À ÉVITER Plusieurs facteurs sont à prendre en compte dans la création d’un projet BI afin d’anticiper les risques d’échec.

2.8.1 Le facteur Humain La compétence et les motivations des utilisateurs sont mal interprétées Dans l’entreprise, il existe quatre catégories d’utilisateurs de l’information : • Les utilisateurs non techniques ayant une forte implication métier. • Les Analystes métier. • Les Analystes avancés (Key Users) qui ont une connaissance forte du métier et une bonne compétence des techniques de requêtage. • Les Développeurs ou Administrateurs de base de données (DBA) dont la vocation est de mettre à disposition des utilisateurs métier, les données de l’entreprise. Ces techniciens de l’information (voir en annexe les différents profils) ont une forte compétence en matière d’infrastructure des systèmes d’information mais peuvent faire montre d’une connaissance relative du métier de l’entreprise. Dans la plupart des entreprises, les utilisateurs non techniques représentent en moyenne 80 pourcent des utilisateurs de l’information, alors que les analystes avancés et les analystes métier se partagent les 20 % restant. Cette population d’analystes, souvent proche des directions opérationnelles, a très vite compris l’intérêt présenté par les outils de restitution sophistiqués (Powerplay, BO, Crystal…). Ils ont souvent joué le rôle de facilitateurs lors de l’acquisition d’outils d’aide à la décision. En arrière-pensée ils visaient à recouvrer une certaine indé-

2.8 Les erreurs à éviter

————————————————————————————————————————————————————————————————————

63

ERP Prog. Gestion intégrée

Datamart Processus internes

Datamart Clients

Datamart Apprentissage

Structures de données Multidimensionnelles Analysis Services

Modeliser

Datamart Finance

90 80 70 60 70 % % 50 40 50 60 % % % 30 40 % % % % % %

Analyses, Reporting, Data Mining

Piloter

100 %

Restituer

CUBE OLAP à perspectives multiples

Tableau de bord BSM

Restitution et analyses Excel, Proclarity

Comptabilité, RH, Production Extraire, Nettoyer, Transformer, rafraichir

SGBD (Oracle/ DB2, SQL, Ole DB)

Entrepôts de données Integration Services

Sources de données multiples

Processus décisionnel avec SQL server 2005

Figure 2.8 — Les différentes composantes du processus décisionnel avec SQL Server 2005

64

—————————————————————————————————————————————————————————————

2. L’approche méthodologique

pendance à l’égard des informaticiens qui jusque-là étaient les seuls concepteurs de leurs requêtes. Nous le verrons plus loin, SQL Server 2005 apporte des réponses à cette catégorie d’utilisateurs grâce à Report Builder. (outil de création de requêtes et rapports à usage des non-techniciens). Excel offre une réponse grâce aux tableaux croisés dynamiques connectés directement sur les Cubes OLAP.

Le partage de l’information reste encore tabou dans les entreprises Un piège classique dans le cycle de la BI est de penser que seuls les développeurs et Administrateurs des bases de données peuvent accéder et manipuler l’information des bases de données. Cette croyance est directement liée au fait qu’il n’est pas concevable de fournir à un utilisateur l’accès direct au SGBD sur lequel est basé l’ERP. De nombreuses raisons, souvent justifiées, sont mises en avant. La sacro-sainte sécurité dans les entreprises a contribué à éloigner les utilisateurs des sources de données. Les risques de dégradation des performances et la non compréhension du modèle de données ont longtemps été un frein à la mise à disposition d’outils de requêtage à destination des utilisateurs finals. Une réponse est la mise à disposition d’un datawarehouse déconnecté de l’ERP. Microsoft SQL Server 2005 propose la mise en place d’UDM permettant de s’affranchir de la complexité du modèle de données sous-jacent. L’UDM, souvent créé par l’administrateur des bases (DBA) est une interface visant à permettre à l’analyste d’accéder aux données de l’entreprise en toute sécurité. De plus l’UDM offre une vision claire des données au travers du référentiel métier.

La culture de la mesure n’est pas intégrée par le personnel Si les dirigeants sont les seuls à prendre le plus grand soin à mesurer l’activité et les revenus qui en découlent, on observe que parmi les utilisateurs de l’information susceptibles d’apporter du changement dans l’entreprise, peu nombreux sont ceux qui en tirent un avantage au quotidien. Cependant lorsque l’on offre à chacun la possibilité d’observer sa propre efficacité en la comparant à d’autres employés de l’entreprise, le comportement change radicalement. La mise en œuvre de tableaux de bord présentant des indicateurs de performance des Business Units, sous forme très visuelle telle que « feux tricolores » vert/jaune/rouge, représente un aiguillon redoutable. Pour autant il convient de fournir à l’employé la règle qui permet d’influer sur l’indicateur et les moyens d’action pour parvenir au résultat attendu. La difficulté dans un grand nombre de sociétés réside dans le fait que les employés sont peu informés de la stratégie menée par la direction générale. Dans ces conditions comment l’employé s’améliorer ? L’apport du Balanced Scorecard est de ce point de vue fondamental.

2.8 Les erreurs à éviter

————————————————————————————————————————————————————————————————————

65

2.8.2 Le facteur Technique Les facteurs humains, sont naturellement fondamentaux dans la réussite du projet BI mais il ne faut pas négliger les aspects techniques qui, s’ils ne sont pas maîtrisés, peuvent être à l’origine de naufrages (Le Titanic a sombré à cause d’une erreur de positionnement). Vous ne devrez jamais perdre de vue que la plus grande partie de votre attention doit être focalisée sur l’alimentation de l’entrepôt de données, sorte de boîte noire de l’activité de l’entreprise sur laquelle sont basées toutes les hypothèses des analystes et le reporting d’entreprise. Voici une liste des erreurs et des pièges les plus communément observés dans le déploiement de projet BI. Les données sources sont :

Incomplètes • Enregistrements manquants. • Champs manquants conduisant à des cellules vides. • Description d’enregistrements erronés.

Incorrectes • Mauvaise codification (altération des codes dans le temps). • Agrégations déjà réalisées dans les sources de données. • Calculs erronés. (champs numériques résultant de calculs imprécis ou erronés). • Enregistrements doublonnés impactant les tables de faits. • Double exécution du processus de chargement. Cette erreur peut se produire lors du déclenchement du processus sur la présence d’un fichier sémaphore mal maîtrisé. • Mauvaise information entrée dans le système source telle qu’une inversion de date 12/01/2006 ou 01/12/2006.

Incompréhensibles • Données en provenance d’un champ unique devant être « éclaté en plusieurs champs dans le datawarehouse. Ex. : “John F. Kennedy” ». • Codifications inconnues du système. (Fuzzy lookup). • Données non structurées en provenance de traitement de texte (nombres formatés avec des espaces en tant que séparateurs de milliers). • Jointures de tables avec des relations plusieurs à plusieurs non identifiées.

66

—————————————————————————————————————————————————————————————

2. L’approche méthodologique

Incohérentes • Codifications versatiles (« M » et « F » ou 1 et 2). • Codifications changeantes liées à des réorganisations dans l’entreprise. (Dimensions à variation lente). Risque de perdre l’antériorité de l’historique. • Multiplication de codes différents pour une même entité (ex. : client ou produit ayant changé plusieurs fois de codification dans le temps). • Plusieurs codes distincts représentant la même entité. • Noms et adresses légèrement différentes mais identifiant la même entité. • Calculs d’agrégations erronés dans les sources de données (la somme des % de deux nombres n’est pas égale au % de la somme de ces deux nombres). • Le niveau de granularité des données doit être comparable (ex. : les dépenses sont connues au niveau poste de charge, les budgets sont établis au niveau du regroupement de charges). • Les données agrégées concernent des périodes différentes (ex. : fourniture de données en provenance d’organismes extérieurs sur la base de la semaine, alors que le traitement d’alimentation est quotidien). • Les champs Null, espace ou vides ne possèdent pas la même codification interne. • Manque d’intégrité référentielle dans les données sources (chiffre d’affaire réalisé sur le produit A alors que le client n’est pas référencé). • La mise à jour de la table de faits dans le datawarehouse est quotidienne alors que la table de dimension associée est mensuelle (risque de non correspondance des données). • Des lignes de données peuvent intégrer les lignes détail ainsi que les totaux (risque de doubler les valeurs). La phase de préparation du chargement des données dans le datawarehouse (ETL) est longue, fastidieuse, et coûteuse en temps. Elle nécessite de multiples contrôles afin d’assurer une totale cohérence des données. Les journaux de chargement devront être étudiés avec attention. Des procédures d’alertes en cas de « plantage » devront être mises en œuvre (envoi de mail ou SMS). Des procédures de reprises doivent être définies. Il est aisé de comprendre que la complexité d’un entrepôt de données croît de manière exponentielle avec le nombre de sources de données en entrée. Il ne faut pas non plus négliger le fait que la connaissance des pièges et de leur identification peut disparaître avec les personnes. Le poste d’ETL devra faire l’objet d’une documentation extrêmement précise et complète.

2.9 Les règles du succès

———————————————————————————————————————————————————————————————————

67

2.9 LES RÈGLES DU SUCCÈS 2.9.1 Règle 1 – Comprendre les utilisateurs Les utilisateurs métiers non techniques Cette population nous l’avons vu représente 80 % des utilisateurs. Leur tâche au quotidien est de servir les processus de l’entreprise et ils n’ont par conséquent ni le temps ni le loisir d’analyser sans cesse les données. Ils demandent un accès sans effort aux données. Ils s’abonnent une fois pour toutes afin de recevoir par mail chaque jour le compte-rendu de l’activité, les objectifs définis et les écarts. En regard de cette population nous mettrons en action un outil tel que reporting services. L’administrateur (DBA) effectuera pour eux un abonnement. Ils recevront les documents au format qu’ils jugeront utile (mail, ou support papier). Ils définiront également la fréquence de réception. Les dirigeants qui ont besoin d’une vision synthétique, consulteront les informations au travers de scorecard (Business Scorecard Management ou Office 2007) ou des tableaux de bord via une interface Web (Sharepoint Portal, Panorama software, Proclarity). Les Analystes métier Ils ont une connaissance plus approfondie de l’outil informatique et en particulier maîtrisent bien Excel. Ils sont tout à fait capables de trier, filtrer les données. Ils utilisent les tableaux croisés dynamiques en accès direct sur les cubes Olap. Les données sont naturellement extraites du datawarehouse et ne souffrent d’aucune saisie manuelle par l’utilisateur. Les Analystes qui recherchent l’origine des causes et l’analyse de croissance ont besoin d’outils puissants (Report Builder, Excel for Olap, ou Proclarity). Les Analystes métier, techniciens de l’information (Key Users) Ces utilisateurs ont la capacité de créer eux-mêmes leurs requêtes et rapports. Ils maîtrisent Reporting services. Ils peuvent élaborer des tableaux de bord sophistiqués et sont en général de véritables référents pour l’ensemble des utilisateurs métiers. Ils communiquent avec les techniciens de l’information et peuvent apporter leur contribution dans l’élaboration du datawarehouse et de l’UDM. Les statisticiens Les statisticiens disposeront d’outils puissants leur permettant d’analyser les corrélations, ou d’effectuer des analyses prédictives. Ils se spécialiseront dans l’usage des outils de data mining (fournis dans la version SQL Server S005 standard et

68

—————————————————————————————————————————————————————————————

2. L’approche méthodologique

Enterprise). Ils pourront également se livrer à des scénarios afin d’en mesurer les impacts (Les cubes en écriture associés à des outils tels que Desktop Professionnal de Proclarity, permettront aisément de répondre à ce type d’analyse). Rappelons qu’Excel dispose en standard de fonctions de simulations (Scénario) ou de résolution de problème (Solver). Ces outils nécessitant une petite formation sont malheureusement peu utilisés. En conclusion nous pouvons affirmer que plus de 80 % des utilisateurs métier ne désirent pas passer leur temps à créer des rapports, ou manipuler de l’information. En revanche ils désirent des rapports ciblés, concis, avec des graphiques clairs. Ils veulent passer le moins de temps possible à déchiffrer et prendre rapidement les décisions nécessaires à l’action. Les 20 % restant représentent les analystes. Ils font le plus grand usage d’outils dynamiques et interactifs.

2.9.2 Règle 2 – Distinguer les décisions stratégiques ou tactiques Chaque jour des centaines voire des milliers de décisions tactiques sont prises dans les organisations. Ces décisions sont prises à tous les niveaux de la hiérarchie. Exemples de décisions tactiques : • Y a-t-il suffisamment de produits en stock pour honorer cette commande ? • Quelles sont nos meilleures offres de services ou nos produits les plus vendus ce trimestre ? • Quelle est notre meilleure offre en termes de mix-produit, de coût, et de pricing qui préserve nos marges et accroît notre résultat ? Les décisions stratégiques sont la plupart du temps prises au sommet de la hiérarchie dans l’organisation. Du fait qu’elles impactent en profondeur l’organisation, elles sont moins fréquentes que les décisions tactiques. Exemple de décisions stratégiques : • devons-nous entrer sur le marché avec une nouvelle ligne de produits ? • Quels canaux de distribution devons-nous privilégier ? • Devons-nous augmenter nos parts de marché ou plutôt accroître nos marges ? • Devons-nous augmenter notre budget marketing, ou être plus efficient en matière de production ou développer un nouveau produit ? Selon que l’utilisateur manipulera des informations tactiques, stratégiques ou les deux, les outils mis à sa disposition ne seront pas les mêmes.

2.10 Construire le tableau matriciel des besoins

——————————————————————————————————————————————

69

2.10 CONSTRUIRE LE TABLEAU MATRICIEL DES BESOINS Dans un souci d’amélioration du dialogue avec les utilisateurs et afin de permettre aux chefs de projets de disposer d’un outil de réflexion on sera bien inspiré de mettre en place quelques tableaux synthétiques définissant les besoins des utilisateurs. Un tableau général permettra de définir le périmètre du projet en recensant les différents thèmes analytiques à développer ainsi que les axes d’observation. Les projets d’entreprise recensent les besoins suivants : Tableau 2.4 — Définir la matrice des besoins métiers

X

Profitabilité par clients/produits

X

X

Finance. Balance

X

Production Gestion de la capacité

X

X

X

X

X X

X

X

Comptes

X

Organisation

Revendeur

X

Clients

Produits

Analyse des ventes

Processus Métier

Ateliers

Temps

Axes d’observation ou Dimensions

X

X

L’étape suivante consiste à sélectionner un processus métier puis à décomposer les axes dimensionnels et introduire les indicateurs. Prenons le processus métier « Analyse des ventes ». Celui-ci se décompose selon le tableau 2.5. Afin de communiquer de façon très visuelle avec l’utilisateur il est recommandé de présenter une ébauche du résultat final. Excel ou ACCESS permettront de maquetter l’application finale et de simuler rapidement le résultat attendu. Dans l’exemple présenté à la figure 2.9, Excel permet à l’utilisateur de se déterminer rapidement sur le résultat attendu par l’utilisateur.

70

—————————————————————————————————————————————————————————————

2. L’approche méthodologique

Analyse des ventes année 2005 150 000 100 000

Qtés cdées

50 000 0

Qtées vendues Retours Roman

Sciences humaines

Informatique

Figure 2.9 — Une représentation visuelle est toujours plus parlante pour l’utilisateur

Le tableau 2.5 est un outil incontournable favorisant la représentation des besoins exprimés par l’utilisateur. Tableau 2.5 — Tableau des dimensions et indicateurs de la fonction « Analyse des ventes » Dimensions Temps – Année – Trimestre – Mois

Produits

Revendeur

Clients

– Ligne de produit

Grossiste

Enseigne

Distributeur

Groupement

– Marques

VAR

Magasins

Organisation

Indicateurs

Équipe de vente Qtés cdées Vendeur Qté vendues

– Jour

– Catégorie de produits

– YTD (cumul)

– Collection

Remises

– Produit

% remise

– Croissance par période

Point de vente

Marge

Prix moyen

On peut également définir un jeu de test et présenter une ébauche au travers d’un tableau croisé dynamique. Toutes les versions d’Excel (depuis 97) permettent de présenter des résultats sous forme de tableaux croisés dynamiques. Voici à titre d’exemple l’interface d’Excel 2007 permettant de construire des tableaux croisés dynamiques. Rappelons que les sources des tableaux croisés peuvent être indifféremment des tables, des listes ou des cubes OLAP.

2.10 Construire le tableau matriciel des besoins

——————————————————————————————————————————————

Figure 2.10 — Tableau croisé dynamique avec Excel (Ici version 2007)

71

3 Comment représenter les données ?

L’aptitude à représenter graphiquement des données numériques n’est pas intuitive. Elle requiert certaines compétences qui doivent être acquises. Ce chapitre introduit les meilleures pratiques en matière de conception graphique. Dans le monde des affaires, aucune information n’est plus importante qu’une information quantitative. Les nombres mesurent la performance, repèrent les opportunités et prévoient le futur. L’information quantitative est souvent présentée sous forme de graphique. Malheureusement, la plupart des graphes utilisés dans le monde des affaires sont mal conçus. Pourquoi ? Tout simplement parce que la plupart des auteurs qui les produisent, y compris des spécialistes tels que les financiers et les développeurs de rapports, n’ont pas été formés à la représentation graphique efficace. Ce chapitre est une introduction à la représentation pratique des données, dans le but d’établir une meilleure communication entre le créateur d’un tableau et son lecteur. Heureusement, les compétences nécessaires pour traduire et communiquer efficacement la plupart des données d’affaires ne requièrent pas un diplôme spécialisé en statistiques. En fait, ces compétences sont aisées à acquérir mais un apprentissage est néanmoins nécessaire. Le processus tient dans les six étapes suivantes : • Préciser le message à communiquer et identifier les données nécessaires à sa communication. • Déterminer si un tableau de chiffres, un graphe ou une combinaison des deux est nécessaire à la communication.

74

———————————————————————————————————————————————————————

3. Comment représenter les données ?

Si un graphe est nécessaire, on observe alors les quatre étapes suivantes : • Déterminer le meilleur moyen pour représenter visuellement les valeurs numériques. • Déterminer comment afficher chaque variable. • Déterminer le meilleur rendu graphique. • Déterminer si des données particulières doivent être mises en évidence. Si oui, comment ?

3.1 CONCEPTS GÉNÉRAUX ET PRATIQUES Avant d’approfondir le processus de conception des graphes, il y a quelques concepts généraux que le lecteur doit connaître et qui s’appliquent en toutes circonstances.

3.1.1 Tableaux ou graphiques ? En général, lorsque l’on compare les modes de représentation dans le but de présenter des données quantitatives, il n’y a pas à préférer a priori entre une représentation sous forme de tableaux de chiffres ou de graphes. Les deux modes de représentation sont simplement différents. Définissons quelques termes. Tableau

Graphique

Les données sont représentées sous forme de nombres.

Les données sont traduites en images.

Les données sont disposées en lignes et colonnes.

Les données sont affichées en relation sur un ou plusieurs axes matérialisés par une échelle qui donne du sens aux valeurs.

Les tableaux sont particulièrement utiles lorsqu’il s’agit de montrer des valeurs précises. En revanche les graphiques sont préférés lorsque le message à communiquer réside d’avantage dans la forme que la précision des valeurs (c’est-à-dire des modèles, des tendances ou des exceptions). Dans le tableau suivant, on observe des taux de change présentés par année et par mois.

3.1 Concepts généraux et pratiques

—————————————————————————————————————————————————————————

75

Figure 3.1 — Tableau de valeurs

Si vous désirez connaître une valeur précise telle que le taux de mai 1996, le tableau permet d’y répondre de la meilleure façon possible. En revanche, si vous désirez connaître l’évolution du taux sur l’année 1996 ou de la comparer avec l’année 1997, le graphique sera une bien meilleure représentation (figure 3.2).

Figure 3.2 — Représentation graphique de données

3.1.2 Données quantitatives ou catégorielles ? Les données quantitatives ne renferment pas seulement des nombres, mais aussi des données qui identifient le sens des données. Dans un graphique on distingue les données quantitatives – les nombres – des données catégorielles – les étiquettes qui précisent ce que les nombres mesurent.

76

———————————————————————————————————————————————————————

3. Comment représenter les données ?

Le graphe ci-dessous (figure 3.3) met en évidence la distinction entre les données catégorielles représentées par l’étiquette de chaque série de données et les données quantitatives sur l’axe vertical des ordonnées.

Figure 3.3 — Graphe présentant des données catégorielles et quantitatives

Les trois types d’échelles catégorielles Les échelles catégorielles se subdivisent en trois types fondamentaux : nominal, ordinal et intervalle (figure 3.4). L’échelle nominale consiste en des données discrètes qui appartiennent à une catégorie commune, sans présenter de rapport avec d’autres données. Typiquement nous retrouvons des notions de régions (Amérique, Asie, Europe, etc.) ou départements (ventes, marketing, finance, production). Les données qui relèvent d’une échelle ordinale ont un ordre intrinsèque mais ne représentent pas de données numériques. Il s’agit par exemple de classements

Figure 3.4 — Les trois types d’échelles catégorielles

3.1 Concepts généraux et pratiques

—————————————————————————————————————————————————————————

77

tels que petit, moyen, grand, ou mauvais, médiocre, moyen, bon, excellent ou rouge vert, bleu, jaune. Les données qui qualifient des intervalles non seulement définissent un certain ordre mais représentent également des valeurs. Il s’agit par exemple de séries de plages de valeurs de taille égale. Exemple : tranche 1 de 0 à 99, tranche 2 de 100 à 199, tranche 3 de 200 à 299, tranche 4 de 300 à 399, etc. Les sept relations en données quantitatives Un nombre en tant que tel ne présente pas d’intérêt. En revanche, lorsqu’il est comparé à d’autres nombres il prend tout son sens. 7 500 € de consommation électrique dans mon immeuble cette année n’est pas très révélateur. En revanche lorsque j’observe que cette valeur est 40 % supérieure à celle de l’année dernière à pareille époque, cela devient une alerte qui sera probablement suivie d’une action (recherche de la cause et mise en place du remède). La plupart des données quantitatives peuvent être classifiées selon leur mode de relation entre elles. Voici les types de relation les plus fréquemment rencontrés.

1. Relations de séries temporelles Lorsque des valeurs quantitatives représentent une série de mesures prises à intervalles réguliers, ce type de relation est appelé série temporelle (figure 3.5) Il s’agit du type de graphe le plus répandu. En effet, 75 % des graphiques d’entreprises concernent des séries temporelles. Le temps peut être divisé en périodes de durées variables telles que années, trimestres, mois, semaines, jours, heures et secondes.

Figure 3.5 — Graphique représentant une série temporelle

78

———————————————————————————————————————————————————————

3. Comment représenter les données ?

Ce type de graphique montre bien les mouvements à la hausse ou à la baisse au fil du temps. Les séries temporelles, révèlent des tendances ou des modèles qu’il est nécessaire de décrypter afin de prendre les décisions qui s’imposent.

2. Relations de classement avec tri par ordre croissant Lorsque des données quantitatives sont présentées selon un ordre croissant ou décroissant ce type de relation porte le nom de classement. Adhérent actif 1

REGION (Tous)

Répartition par fonction Nb Adhérents

Nombre de membres

18 40 107

Déposer champs de séries ici

190 350 643 708 1279 0

200

400

600

800

1000

1200

1400

P. D

Type de fonction

Di Di .G Di re re Vi Au re .o ct Au ct c ct eu tre u tre eu eu D.G r d e- p Pr rg di r ré . f és o 'ac G ad de re si n én é id ct ct de tiv jo ra sit ér en io io in ité nt nt n al e n t t

10

Fonction

Figure 3.6 — Relation de classement décroissant

On utilise souvent ce mode de représentation pour classer les performances des vendeurs ou les dépenses effectives des départements de l’entreprise. Ce type de graphe révèle non seulement l’ordre de classement mais permet également de rapprocher et de comparer certains groupes entre eux.

3. Relations de partie d’un tout Dans ce contexte, les valeurs affichées révèlent le poids de chaque part en rapport avec la globalité. Ce type de représentation est utile pour représenter la façon dont une entité est divisée en parties. Dans l’exemple de la figure 3.7, on observe la répartition en pourcentage des membres d’une association par type de fonction. Pour montrer la part des différents éléments par rapport à l’ensemble, le meilleur moyen est d’utiliser un arbre de décomposition (voir la section 3.2.1).

3.1 Concepts généraux et pratiques

—————————————————————————————————————————————————————————

79

Répartition des membres en % 40,0%

38,2%

35,0% 30,0% 25,0%

21,2%

20,0%

19,2%

15,0%

10,5%

10,0%

5,7%

Vice-pré s ident

1,2% 0,5% 0,3%

Dir ec te ur d'ac tiv ité

on

Dir ec te ur de s ite

Autre fo ncti

G éra nt

Autre d ir ecti on

Dir ec te ur géné ral

P.D.G . ou P ré sid ent

0,0%

D.G . a djo int

3,2%

5,0%

Type de m em bres

Figure 3.7 — Graphe de relation de type « partie d’un tout »

4. Relations d’écart ou de déviation Lorsque des valeurs affichent des écarts entre des objectifs prévisibles et des réalisations effectives, on utilise une relation de type écart (figure 3.8).

Production Prévu/Réalisé 30

25

en M €

25

20

20 15

20

18

17

Prévu

14 13 10

Réalisé

10 5 0 Janvier

février

mars

Avril

Année 2006 Figure 3.8 — Graphe de type écart

———————————————————————————————————————————————————————

3. Comment représenter les données ?

Un exemple courant de ce type de graphe est celui qui rapproche des données actuelles, par exemple des dépenses, par rapport à des données prévues – celles d’un budget. L’exemple de la figure 3.9 présente une variante du graphe d’écart. Seul l’écart constaté est représenté. Il apparaît soit en positif (au-dessus de l’axe des abscisses) soit en négatif (en dessous de l’axe des abscisses). Dans le cas présent on créera une mesure calculée écart telle que : écart = Réalisé – Prévu.

Écarts de production

20 15 15

en M €

80

10 3

5 –2

–1

février

mars

0 Janvier

Avril

–5

Année 2006 Figure 3.9 — Variante du graphe d’écart

Ce type de rapport ne permet cependant pas de mesurer si l’écart est maîtrisé ou considéré comme normal. La technique du KPI (indicateur clé de performance) permet de pallier cela par l’ajout d’une composante telle que la tendance. Exemple des ventes Supposons que vous désiriez un état et une tendance des ventes et rapprocher la cible de la mesure de prévision. La figure 3.10 montre le nouvel indicateur clé de performance (KPI) pour les catégories de produit. La couleur des drapeaux (Vert, rouge ou blanc) permet d’identifier immédiatement le statut de l’indicateur (Bon, Mauvais, Moyen…). La figure 3.10 permet d’observer que les ventes des « Business PCs » ont enregistré

3.1 Concepts généraux et pratiques

—————————————————————————————————————————————————————————

81

une meilleure performance que les prévisions. Nous observons également que les ventes de serveurs ont été bonnes jusqu’au dernier trimestre où elles ont chuté de manière significative par rapport aux prévisions. Les flèches quant à elles, montrent les évolutions de croissance. Les flèches sont orientées vers le haut lorsque la croissance est supérieure à la période précédente, vers le bas lorsque la croissance est négative.

Figure 3.10 — Représentation d’un KPI. Avec représentation de la tendance

5. Relation de distribution Un graphe de distribution permet de représenter comment un ensemble de données se répartit au sein d’un spectre unique. Il permet de représenter des phénomènes de concentration ou d’absence de données. On peut parfois observer des phénomènes de symétrie (courbe normale, ou courbe en cloche). L’exemple de la figure 3.11 montre un pic de participation à un club professionnel entre 44 et 55 ans, puis un départ brutal à 60 ans. 120

100

80

60

40

20

25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 72 73 79

0

Figure 3.11 — Répartition des membres par âge

82

———————————————————————————————————————————————————————

3. Comment représenter les données ?

6. Relation de corrélation Un graphe de corrélation mesure le rapport qui existe ou non entre deux variables. Dans l’exemple ci-dessous il ne semble pas exister de rapport entre la taille d’un employé et son salaire (la répartition des points est disparate). Lorsqu’une corrélation est observée, les points ont tendance à se superposer à une droite souvent matérialisée par la diagonale du graphe (figure 3.12).

Figure 3.12 — Relation de corrélation

7. Relation de comparaison nominale Dans un graphe de comparaison nominale, il n’existe pas de lien entre les variables portées sur l’axe des X. Dans la figure 3.13, les quatre régions géographiques

Figure 3.13 — Graphe présentant la relation de comparaison nominale

3.1 Concepts généraux et pratiques

—————————————————————————————————————————————————————————

83

n’ont aucun lien entre elles et leur ordre ne présente pas d’importance. Tout au plus, est-il possible de présenter les variables selon un ordre croissant ou décroissant afin d’établir un classement. Exemple de cheminement d’une analyse des ventes La figure 3.14 montre que les performances des ventes au troisième trimestre ont été particulièrement élevées pour la Californie. Le lecteur peut souhaiter étudier plus en détails ces chiffres. Il peut être amené à se poser des questions complémentaires, par exemple : dans quelles villes ces ventes ont-elles été réalisées ? Quels produits ont contribué à ce résultat et dans quelles proportions ? Nous verrons plus loin que la technique du forage progressif (drill down) permet de répondre quasi instantanément à de nombreuses questions selon un cheminement à priori imprévisible.

Figure 3.14 — Graphe d’analyse des ventes

Déterminer le meilleur moyen pour représenter les valeurs Tableau 3.1 — Type de relation et méthode de représentation Type de relation

Méthodes privilégiées pour la représentation

Séries temporelles

Lignes mettant en exergue l’évolution des données dans le temps

Classement

Barres horizontales ou verticales Points

84

———————————————————————————————————————————————————————

Type de relation

3. Comment représenter les données ?

Méthodes privilégiées pour la représentation

Tout ou partie

Barres Barres empilées Secteurs dont les parties sont matérialisées par un %

Déviation/Écart/ Budget/Réalisé

Histogrammes double par mesure Histogramme représentant l’écart

Fréquence de distribution

Barres verticales (histogrammes) Lignes (polygone de fréquence)

Corrélation

Nuage de points avec ligne de tendance

Comparaison nominale

Barres horizontales ou verticales Points

Écart sur objectifs et tendances

KPI (feux tricolores, flèches)

3.2 LES NOUVEAUX OUTILS OFFERTS PAR LE COMPLÉMENT PROCLARITY1 3.2.1 L’arbre de décomposition L’arbre de décomposition permet d’analyser des données selon des cheminements non déterminés à l’avance. Dans l’exemple ci-dessous, nous désirons approfondir l’activité de ventes par produits et par ville dans l’État de Californie. State California 3M

100 %

City San Jose 2 304 K

74 %

Los Angeles

San Francisco

773 K

46 K

25 %

1%

Product Alpha IIp750

Alpha IIp1K

Omega J – 500

Ml-562

837 K

435 K

404 K

158 K

36 %

19 %

18 %

7%

Omega J – 750 Mx

Mark Xl/136

10 derniers

141 K

65 K

262 K

6%

3%

11 %

Figure 3.15 — La représentation en arbre de décomposition permet une analyse non déterministe 1. Proclarity : société éditrice de logiciels basés sur les technologies OLAP de Microsoft. Cette société a été acquise par Microsoft en avril 2006.

3.2 Les nouveaux outils offerts par le complément Proclarity

———————————————————————————————————

85

3.2.2 La carte de performance Vous souhaitez analyser les ventes du troisième trimestre et leur augmentation ville par ville en Californie. Les cartes de performances sont un outil idéal pour analyser les performances et évolutions relatives. Nous commençons avec une grille représentant les ventes et leur augmentation par rapport à la période précédente pour les villes de Los Angeles, San Francisco et San Jose pour le troisième trimestre 2002.

Figure 3.16 La carte de performance

Les villes sont maintenant regroupées par ligne de produits (PC et périphériques). Les ventes sont en hausse dans toutes les villes, à l’exception des ventes de PC à Los Angeles. (Los Angeles a subi une baisse de 77,6 % de ses ventes). La croissance la plus élevée a été enregistrée pour les ventes de périphériques à San Jose, comme l’indique la couleur claire en bas à droite. Supposons maintenant que vous souhaitiez connaître le profil des clients à l’origine de cette hausse des ventes de périphériques à San Jose. Il faut afficher uniquement les données relatives aux périphériques et décomposer les ventes de périphériques réalisées à San Jose par type de client (figure 3.17).

86

———————————————————————————————————————————————————————

3. Comment représenter les données ?

Figure 3.17 — Autre représentation de la carte de performance

3.2.3 La vue en perspective Supposons maintenant que vous souhaitiez modifier votre analyse pour connaître le rapport entre le volume des ventes et celui de la facturation pour chaque ville. Pour comparer un vaste volume de données entre deux mesures, vous utiliserez une vue en perspective.

Figure 3.18 — Vue en perspective

3.2 Les nouveaux outils offerts par le complément Proclarity

———————————————————————————————————

87

Les vues en perspective sont un outil très utile pour détecter les écarts et identifier ainsi les représentations de données qui sortent nettement de la norme. Par exemple, la ville de New York (représentation de données en haut à droite) se distingue clairement puisqu’elle présente à la fois le volume de ventes et le volume de factures le plus élevé. Cette vue en perspective fait ressortir d’autres informations : • par rapport à New York, Chicago (représentation de données comprise entre 6 et 8 millions de dollars de ventes) a enregistré pratiquement autant de factures, mais nettement moins de ventes; • aucune ville ne présente un ratio très déséquilibré Volume de factures faible/ Volume de ventes élevé; • dans la zone représentant moins de 2 millions de dollars de ventes, une ville présente un volume de factures élevé pour des ventes médiocres (Cleveland).

4 Entrepôt de données et analyse décisionnelle

Ce chapitre présente succinctement les outils ainsi que les nouvelles méthodes de développement de processus décisionnels qui en découlent. Lors des consultations de business intelligence et de tableaux de bord que nous donnons en entreprise, nous sommes souvent confrontés à deux types de réaction de la part des managers et responsables informatiques. D’un côté, les managers qui réfléchissent en termes de métier comprennent aisément le concept d’entrepôt de données centralisateur de toutes les informations de l’entreprise et de leur historisation. Ils adhèrent volontiers à la notion de tableau de bord de pilotage et comprennent spontanément le concept d’indicateurs et d’axes d’analyse de leur métier. Les responsables opérationnels s’interrogent même sur le fait que de telles solutions n’ont pas déjà été mises en place dans leur organisation. Intuitivement, ils conçoivent que l’informatique devrait les aider dans ce domaine. Et pourtant la technique de collecte des données de l’entreprise ressemble souvent au parcours du combattant avec ses innombrables ressaisies manuelles, ses tableaux mensuels déconnectés les uns des autres ne permettant aucune consolidation annuelle. L’analyse sur deux années n’est souvent pas à l’ordre du jour. La synthèse s’effectue dans un document final souvent réalisé grâce à un logiciel de PAO. Les cadres, dont la vocation est de réfléchir à la stratégie de l’entreprise, passent une grande partie de leur temps à collecter l’information. Privés de leur capacité d’analyse, ils s’interrogent sur leur valeur ajoutée dans l’organisation. Par manque de temps et surtout d’outils d’aide à la décision, ils ne peuvent prendre suffisamment de hauteur. Ils restent dépendants

90

——————————————————————————————————————————————

4. Entrepôt de données et analyse décisionnelle

d’un système d’information vis-à-vis duquel ils mesurent leur incapacité à le faire évoluer. D’un autre côté, les responsables des systèmes d’information passent une grande partie de leur acticité à maintenir en état de fonctionnement des organisations techniques complexes. Les nombreuses fusions et acquisitions constatées ces dernières années ont contraint les responsables IT à faire communiquer des systèmes qui a priori n’avaient rien de commun tant sur le plan technique que fonctionnel. Par ailleurs, les systèmes décisionnels disponibles depuis quelques années sur le marché nécessitaient des équipes ultra-spécialisées à tous les niveaux de la conception, les rendant de ce fait très couteux. Tableau 4.1 — Répartition des modules SQL Server 2005 par composants Composant

Module SQL Server 2005

Destination dans l’entreprise

Extract, Transform, Load (ETL)

Integration services

Administrateur de bases de données

Entrepôt de données relationnel et multidimensionnel

Base de données relationnelle SQL Server 2005

Administrateur et développeur

Base de données multidimensionnelle analytique

Analysis services

Développeur et utilisateur ayant des connaissances métier (Key User)

Exploration de données

Data Mining intégré à Analysis services

Statisticien et/ ou (Key User)

Création de rapports et modèles de base

Reporting Services

Développeur et Key User

Requêtes et analyses spécifiques

Report Builder, Excel 200X, Proclarity, Office web component. (Excel 2007 pour la lecture des KPI)

Analystes métier

Développement d’application BI

SQL Server business intelligence Development Studio

Développeur

Outils de gestion de base de données

SQL Server Management Studio

Administrateurs/ développeurs

Services de notification

SQL Server Notification Services

Alertes envoyées aux managers sur des événements métier (rupture de stock, etc.)

Entrepôt de données et analyse décisionnelle

————————————————————————————————————————————————

91

Conscient de ces faiblesses et profitant d’une expérience de plus de quinze années, Microsoft a tenté de mettre en place une solution susceptible de satisfaire aussi bien les managers soucieux de maitriser leur métier que les techniciens garants de l’intégrité des systèmes d’information de l’entreprise. La première tentative de Microsoft dans le domaine de la BI fut réussie grâce à l’introduction de DTS et Analysis Services dans la version de SQL Server 7 puis 2000. Fort de cette expérience mais conscient également de certaines lacunes de cette première version, Microsoft vient de mettre sur le marché sa toute dernière version : SQL Server 2005, fruit d’une longue réflexion alimentée par les pratiques des meilleurs consultants de la planète en matière de SGBD et d’analyse décisionnelle. Le tableau 4.1 présente une vue d’ensemble des composants d’un système de business intelligence et de leur destination dans l’entreprise. On peut également répartir les outils selon un axe fonctionnel (tableau 4.2). Tableau 4.2 — Répartition des modules par tâche fonctionnelle Fonction

Outil disponible

Particularité

Conception BIDS (business intelligence Development Studio) construit sur Visual Studio 2005

Le développement de script permet un débogage dans tous les composants BI

Synthèse

DTS entièrement réécrit porte le nom d’Integration Services dans la version SQL Server 2005

Présente une vision transparente des données de sources hétérogènes. Le partitionnement simplifie la gestion des données historiques

Stockage

UDM (Unified Data Model) permet d’unifier le monde relationnel et multidimensionnel

La mise en cache proactive permet un stockage en temps réel des données transactionnelles

Analyse

Les cubes multidimensionnels, les perspectives, les algorithmes de data mining ont été enrichis

Les KPI (indicateurs clés de performance) participent à l’élaboration du tableau de bord

Restitution

Reporting Services et Report Builder La diffusion est automatisée sont administrés via des services Web. sous forme d’abonnement auprès Les formats de restitution sont divers des utilisateurs (Excel, PDF, XML, CSV, etc.)

Gestion

SQL Server Management studio intègre la gestion de tous les composants de SQL Server 2005

Administration centralisée et intuitive permettant une mise en œuvre aisée dans les petites et moyennes structures

Alertes

SQL Notification Services

Transmission de messages de notifications sur la base d’événements programmés

92

——————————————————————————————————————————————

4. Entrepôt de données et analyse décisionnelle

4.1 ARCHITECTURE DE LA PLATE-FORME DÉCISIONNELLE Lorsque les administrateurs mettent en œuvre SQL Server 2005, les modules suivants sont installés : • Moteur de la base de données relationnelle; • Integration services; • Analysis Services; • Reporting Services (nécessite le gestionnaire des services Internet IIS installé et configuré sur le serveur); • SQL Server Management Studio pour la gestion des bases de données; • BIDS (business intelligence Development Studio) pour le développement d’applications BI. Les informations de métadonnées d’Analysis Services sont stockées sous forme de fichiers XML et totalement gérées par Analysis Services. Cette innovation peut cependant dérouter lorsque l’on est habitué au mode de fonctionnement de la console d’Analysis Services 2000. Les fichiers XML, dont les formats sont documentés par Microsoft, sont observables via un éditeur XML ou un simple bloc-notes. Dans le module SSIS (SQL Server Integration Services), certains paramétrages nécessitent d’intervenir manuellement dans des fichiers de configuration XML. Cette pratique est pour le moins surprenante de la part de Microsoft qui a misé sur une interface très conviviale par ailleurs. Gageons que ces quelques lacunes seront comblées par les prochaines versions. BIDS est conçu pour développer et déboguer les applications BI tandis que Management Studio permet d’utiliser et de gérer les objets de bases de données. Le modèle dimensionnel unifié intègre définitivement les bases de données relationnelles et la modélisation multidimensionnelle OLAP. Les défis et les promesses de l’analyse décisionnelle reposent sur la communication aux employés d’informations correctes, au moment opportun. La mise en œuvre de cet objectif requiert une analyse décisionnelle exhaustive, sécurisée, intégrée aux systèmes opérationnels et disponible 24 heures sur 24, 7 jours sur 7. Cet objectif est atteint grâce à la nouvelle architecture de SQL Server 2005. Les améliorations en termes d’analyse décisionnelle incluent : • Plate-forme intégrée. SQL Server 2005 constitue une plate-forme d’analyse décisionnelle et analytique de bout en bout qui intègre OLAP (On

4.1 Architecture de la plate-forme décisionnelle

——————————————————————————————————————————————

93

Line Analytical Processing), l’exploration de données, les outils ETL (Extract, Transform and Load) d’extraction, de transformation et de chargement de données, les entrepôts de données et des fonctionnalités de rapports. • Prise de décision améliorée. Les améliorations des fonctions décisionnelles existantes, comme OLAP et l’exploration de données, et l’introduction d’un nouveau serveur de rapports fournissent aux entreprises les moyens d’exploiter les informations pour de meilleures prises de décision, à tous les niveaux.

Figure 4.1 — Le modèle dimensionnel unifié (Unified Dimensional Model) se substitue à Analysis Services

• Sécurité et disponibilité. Des améliorations en termes de capacité à monter en charge, de disponibilité et de sécurité offrent aux utilisateurs un accès ininterrompu aux rapports et aux applications décisionnelles. • Fonctionnalités d’analyse au niveau de l’entreprise. Un outil ETL amélioré permet aux organisations d’intégrer et d’analyser plus facilement les données en provenance de diverses sources d’informations. En analysant les données sur une large gamme de systèmes opérationnels, les organisations pourront obtenir un avantage sur leurs concurrents grâce à une meilleure compréhension de leurs activités.

94

——————————————————————————————————————————————

4. Entrepôt de données et analyse décisionnelle

4.2 LES AMÉLIORATIONS DE SQL SERVER 2005 PAR RAPPORT À LA VERSION 2000 SQL Server 2005, en plus d’offrir des innovations nombreuses en matière de SGBD, répond à plusieurs défis propres à la business intelligence. De nouveaux composants intégrés dans l’interface graphique de Visual Studio permettent un développement et un déploiement aisés de la BI. Au risque d’apparaître moins académique que ses concurrents, Microsoft veut démocratiser la business intelligence en la rendant accessible au plus grand nombre.

4.2.1 Actuellement, comment développons-nous un projet BI ? Avec Ralph Kimball, nous avons appris au chapitre précédent quelles sont les règles fondamentales à observer dans le cadre d’un projet BI. Rappelonsles brièvement : les données sont extraites des systèmes opérationnels (ERP, comptabilité, paie, etc.) en général chaque jour. L’étape suivante consiste à transformer les données brutes avant de les charger dans un datawarehouse relationnel / multidimensionnel. Une fois le datawarehouse mis à jour, les données sont à nouveau extraites dans un ou plusieurs cubes OLAP hiérarchiques/ multidimensionnels afin d’être présentées sous une forme plus « lisible » aux utilisateurs. Pendant la journée, les décisionnaires effectuent toutes sortes de requêtes sur les cubes. La nuit suivante, le cycle est à nouveau répété, et les datamarts sont rafraîchis grâce aux nouvelles données de la veille. En général, les administrateurs de systèmes BI préfèrent définir plusieurs datamarts métier plutôt qu’un unique datawarehouse. Nous verrons dans les chapitres suivants que les notions de datamart et datawarehouse peuvent être désormais confondues dans le nouveau modèle UDM (Unified Dimensional Model) d’Analysis Services 2005. Ce nouveau modèle tente de relever plusieurs défis.

4.2.2 Quels sont les défis à relever ? Le processus décrit ci-dessus est le plus couramment suivi par les entreprises. Il a le mérite d’être compréhensible et donne souvent satisfaction. Cela ne veut pas dire qu’il est parfait. Loin s’en faut ! Défi n° 1 : Différentes versions de la vérité Un problème majeur, engendré par l’utilisation de multiples modèles dimensionnels réside dans le rapprochement de plusieurs cubes. Un peu comme une requête ou vue composée de plusieurs tables jointes entre elles par des clés, il est possible de créer un cube « virtuel » en fusionnant plusieurs cubes, cela si les cubes élémentaires partagent les mêmes dimensions.

4.2 Les améliorations de SQL Server 2005 par rapport à la version 2000

————————————————————————

95

Par exemple si nous disposons de trois cubes différents, chacun présente une dimension « Client » propre. Dans le premier cube, la notion de client se définit comme : « toute personne qui a commandé un article depuis 2 ans ». Dans le deuxième, un client représente « toute personne qui présente un chiffre d’affaires de plus de 10 k€ ». Dans le troisième cube, le client est « toute personne qui dispose d’une adresse complète et valide ». Nous le voyons, ces trois cubes ont été développés pour des départements différents et présentent un sens différent. Maintenant, imaginez que le directeur de chaque département décide de présenter dans un tableau de synthèse les dépenses annuelles de publicité réalisées par client. Les résultats, bien que différents, paraîtront à chacun cohérents. Si les trois dirigeants tentent maintenant de confronter leurs résultats, des écarts sensibles apparaîtront. La raison en est que la dimension Client est interne à chaque cube et non partagée par l’ensemble des trois cubes. Nous montrerons comment UDM fournit une réponse élégante à ce problème. Défi n° 2 : Recopie multiple des données Les modèles classiques de BI maintiennent au moins deux copies des données en plus de la donnée originale; une dans le datawarehouse global, une autre dans le datamart métier. Comme les cubes sont indépendants, il n’est pas rare non plus de constater que les données sont dupliquées entre les datamarts. Non seulement cette technique est très coûteuse en espace disque, mais elle met encore une fois en évidence la notion de « versions différentes de la vérité ». Défi n° 3 : La localisation des données est difficile La localisation est le procédé qui permet de présenter l’information aux différents utilisateurs dans leur propre langue et dans la monnaie de leur pays. Les systèmes actuels ne permettent pas de disposer de traductions des hiérarchies de dimensions ainsi que des contenus des membres de dimensions. Lors d’une interrogation de la base articles, si votre langue naturelle est celle de Molière, laquelle de ces deux réponses préférez-vous recevoir du système ? Item : Road-550-W Yellow, 40 Same technology as all of our Road series bikes, but the frame is sized for a woman. Perfect all-around bike for road or racing. Ou Article Vélo de route 550 – W – jaune, 40 Équipé de la même technologie que tous nos vélos de route, avec un cadre femme. Idéal pour la promenade ou la course sur route. Défi n° 4 : Le schéma en étoile ne permet pas de modéliser la complexité des données Un modèle dimensionnel traditionnel développé avec Analysis Services de SQL Server 2000 est un schéma en étoile constitué d’une table de fait centrale et d’un certain nombre de dimensions. Il existe des options pour la création de

96

——————————————————————————————————————————————

4. Entrepôt de données et analyse décisionnelle

schéma en flocon, de dimensions de type « parent-enfant » ou la mise à jour de « dimensions à variation lente ». Mais, dans la vie courante, il n’est pas exclu de rencontrer des relations plusieurs à plusieurs au niveau des tables de faits (exemple : un compte bancaire est ouvert au nom de plusieurs propriétaires et chaque propriétaire dispose d’un ou plusieurs comptes bancaires. Une commande peut faire état de plusieurs adresses d’expédition, une adresse peut à son tour faire l’objet de plusieurs commandes). Un autre exemple concerne les dimensions à multiples hiérarchies. En effet, la dimension temporelle est-elle basée sur le calendrier classique ou le calendrier fiscal ? Que penser encore des dimensions composées uniquement d’attributs non hiérarchiques. Par exemple, les clients ont des attributs tels que le genre, l’âge, le nombre d’enfants, la tranche de revenus etc. À l’évidence, ces attributs appartiennent bien au même client mais ne présentent pas de caractère hiérarchique entre eux. Dans Analysis Services 2000, ces attributs généraient des dimensions différentes. Défi n° 5 : Les systèmes BI actuels ne permettent pas le rafraîchissement de données OLAP en temps réel Les décisionnaires réclament des informations à jour avant de prendre leurs décisions. Il existe de plus en plus de situations dans lesquelles l’analyse des données en temps réel est nécessaire (exemple : dans un hypermarché, l’analyse d’un rayon quart d’heure par quart d’heure permet de suivre l’efficacité des messages sonores diffusés dans le magasin. L’analyse du ticket de caisse en quasi temps réel permet de détecter des corrélations entre la vente de certains produits et la présence d’un commercial sur le terrain).

4.3 LES NOUVEAUX COMPOSANTS DANS SQL SERVER 2005 SQL Server 2005 répond à tous ces défis en offrant plusieurs composants nouveaux. Les plus largement commentés sont UDM (Unified Dimensional Model) et le cache Proactif. Voici quelques-unes des innovations.

4.3.1 Les vues des sources de données (Data Source Views, DSV) Les systèmes BI extraient leurs données d’un grand nombre de sources différentes. La nouvelle technologie du DSV permet à l’administrateur du cube de concevoir un accès aux données des ERP ou d’autres systèmes opérationnels. Les adminis-

4.3 Les nouveaux composants dans SQL Server 2005

—————————————————————————————————————————

97

trateurs d’ERP, très soucieux de conserver l’intégrité et la sécurité des données dont ils ont la responsabilité, apprécient particulièrement cette technologie qui sécurise les accès aux tables tout en offrant aux développeurs de cube une vue sélective des données de base. Les DSV permettent d’accéder à toutes sortes de sources différentes tels que fichiers XML, fichiers textes, fichiers Excel, tout en les considérant comme des tables. De plus, les DSV permettent de renommer des champs de manière plus conviviale, ou de créer des relations virtuelles entre les tables sans jamais toucher à la structure des tables sous-jacentes.

4.3.2 Les cubes et UDM UDM est un outil de modélisation multidimensionnelle. De ce fait, il ressemble à l’outil Analysis Services 2000. Cependant, l’outil de modélisation a été profondément remanié dans SQL Server 2005. Alors qu’avec Analysis Services 2000 il était nécessaire de créer autant de cubes que de types d’analyses (table de fait unique), UDM peut créer un modèle dimensionnel unique applicable à l’ensemble de l’entreprise en regroupant dans un schéma synthétique toutes les tables de faits et de dimensions. En regard des commentaires que nous faisions plus haut, cette technique apporte une sérieuse réponse dans le cadre de la non-redondance d’information et donc satisfait notre recherche de centralisation de la « vérité ». On le voit, UDM répond à notre défi n° 1, « les différentes versions de la vérité », tout en offrant une richesse supplémentaire à la construction du modèle. De plus le nouveau modèle permet de construire des dimensions non hiérarchiques basées sur les attributs de dimensions et cela sans perte de performance. Cette amélioration répond à notre défi n° 4 « le schéma en étoile ne permet pas de modéliser la complexité des données ». Alors que les outils du marché privilégient encore la multiplication des datamarts, l’UDM consolide la plate-forme centrale tout en la rendant plus cohérente. Il n’existe plus qu’une seule vue analytique de l’information de l’entreprise. Le terme « unifié » du modèle UDM (Unified Dimensional Model) prend tout son sens.

4.3.3 Les perspectives La conséquence de ce qui précède entraîne une plus grande complexité du modèle multidimensionnel. Si tous les indicateurs de l’entreprise se retrouvent maintenant dans un unique modèle, il va falloir offrir aux utilisateurs un moyen de clarifier leurs recherches. D’où la notion de « perspectives » permettant des observations dans le cube en fonction du métier et du département de l’utilisateur. L’enjeu consiste donc à cacher des mesures qui ne sont pas pertinentes à l’analyse.

98

——————————————————————————————————————————————

4. Entrepôt de données et analyse décisionnelle

4.3.4 Le cache proactif Maintenant que nous avons maîtrisé le modèle d’analyse, le rendant adapté aux différents groupes de travail, il s’agit de maîtriser le processus d’alimentation du cube et en particulier de définir la cadence de rafraîchissement des données en provenance des sources opérationnelles. Le cache proactif permet de définir la fréquence de mise à jour des données, soit en fonction du temps (plusieurs fois par heure) soit en fonction d’événements notifiés par la base opérationnelle. (exemple : la mise à jour du contrat d’un client entraîne une répercussion immédiate dans le cube et donc sa mise à jour). Cela répond au défi n° 5 : « les systèmes BI actuels ne permettent pas le rafraîchissement de données OLAP en temps réel ». Dans la pratique les données intermédiaires sont stockées dans un espace mémoire temporaire (cache proactif) grâce à Notification Services puis appliquées définitivement lors du traitement complet du cube.

4.4 LES AMÉLIORATIONS APPORTÉES AVEC SQL SERVER 2005 SP1 Le Service Pack 1 (SP1) de Microsoft SQL Server 2005 intègre de nouvelles fonctionnalités comme la mise en miroir des bases de données (database mirroring) ou encore SQL Server Reporting Services (SSRS) ainsi qu’un nouvel outil d’administration pour SQL Server Management Studio Express. Le SP1 offre également des mises à jour de SQL Server 2005 Express Édition à destination des éditeurs de logiciels indépendants qui désirent tirer parti de fonctionnalités innovantes.

4.4.1 La mise en miroir des bases de données Cette nouvelle fonctionnalité complète les fonctions existantes de SQL Server 2005 afin d’assurer une disponibilité totale des données, comme le cluster de basculement, les clichés instantanés de bases de données, l’isolation de ces derniers ou l’envoi de journaux de transactions. De nouvelles fonctionnalités intégrées à SQL Server 2005 Express Édition Le SP1 étend les possibilités des petites entreprises et des éditeurs de logiciels indépendants qui utilisent la version gratuite SQL Server 2005 Express Edition. Cette dernière intègre désormais la fonction SQL Server Reporting Services (SSRS), la recherche de texte intégral, et également le nouvel outil, SQL Server Management Studio Express.

4.5 Les services de notification

—————————————————————————————————————————————————————————————

99

4.4.2 Une création facilitée de rapports sous SAP NetWeaver business intelligence Afin d’offrir une vision complète de l’activité de l’entreprise via la génération de rapports sur SAP NetWeaver business intelligence, le SP1 apporte des compléments à l’outil SSRS. Il s’appuie sur deux nouveaux composants : un fournisseur de données Microsoft.NET pour SAP NetWeaver business intelligence et un nouveau concepteur de requêtes MDX. Cette nouvelle fonctionnalité étend les bénéfices de la génération de rapports d’entreprise sous SQL Server, en permettant aux clients SAP de créer et gérer des rapports à partir d’informations résidant dans un entrepôt de données SAP BW.

4.5 LES SERVICES DE NOTIFICATION SQL Server 2005 a introduit le concept de notification d’événements programmés. Le service de notification offre au développeur une plate-forme permettant d’avertir l’utilisateur lorsque des événements particuliers sont repérés dans le SGBD. L’alerte peut être donnée au moyen de dispositifs variés tels que plateformes mobiles, organiseurs personnels (PDA), téléphones cellulaires ou tout autre dispositif. Voici quelques exemples qui entrent dans le champ d’action de Notification Services. : • alerter lorsque l’ouvrage Harry Potter atteint le seuil de rupture de stock et déclencher une nouvelle commande; • prévenir lorsque le tableau Excel que je partage avec des collègues a fait l’objet de modification; • être informé lorsque mon compte bancaire est à découvert; • être informé lorsqu’une valeur boursière a atteint telle limite; • avertir le chef de production lorsqu’une pièce fabriquée est défectueuse; • avertir le client sans délai lorsque tel article est à nouveau disponible en stock. Notification Services est utile chaque fois qu’un utilisateur désire s’abonner à un service de réception automatique de documents ou lorsque des événements se produisent sur tel ou tel critère. On parlera de souscription d’abonnements pilotés par les données.

5 Introduction à Integration Services

Quel que soit le projet de business intelligence, le processus d’ETL a pour seul but de fournir de solides fondations au référentiel de données et aux fonctions de reporting et d’analyse. Nous pensons que la phase d’ETL doit être menée avec une vigilance toute particulière car elle conditionne la qualité de la chaîne décisionnelle. Ce chapitre a pour objectif de présenter les différents composants d’Integration Services associé à business intelligence Development Studio. Nous introduirons différents concepts tels que les flux de contrôle et les flux de données. Nous présenterons les nombreux outils et assistants dont la vocation est de simplifier le travail de programmation ou d’administration des techniciens de la business intelligence. Afin d’illustrer SSIS, nous procéderons à la génération automatique d’un lot visant à alimenter une table de dimension dans l’entrepôt de données. Nous présenterons les différentes tâches qui ont été créées automatiquement et découvrirons leur contenu avant de créer un lot de toutes pièces. Nous donnerons également un aperçu de l’ensemble des tâches inclus dans les flux de contrôle et les flux de données.

5.1 PRÉSENTATION DE SQL SERVER INTEGRATION SERVICES (SSIS) SSIS met à la disposition de l’administrateur de base de données et du développeur un ensemble d’outils permettant de résoudre, quasiment sans programmation, des tâches qui rentrent naturellement dans le développement d’applications

102

————————————————————————————————————————————————————————

5. Introduction à Integration Services

décisionnelles mais également dans tout processus de manipulation de données (figure 5.1). Les administrateurs de base de données et les développeurs avaient l’habitude de coder les tâches d’administration. Au prix d’un nouvel apprentissage, ils trouveront dorénavant des outils d’amélioration de leur productivité.

Figure 5.1 — Positionnement de Integration Services dans la chaîne décisionnelle

Integration Services (SSIS) est le successeur de DTS (Data Transformation Services) inclus dans la version SQL Server 2000. Integration services a été entièrement réécrit. Il reprend bien sûr les fonctionnalités de DTS et apporte un cortège de nouveautés fort appréciables des professionnels de la BI. SSIS offre une nouvelle interface graphique dont le but est d’alléger grandement le travail de programmation. En annexe, nous présentons les différents profils IT gravitant autour de SSIS. Rappelons-les brièvement : • administrateur de base de données; • administrateur de serveur de rapports (informatique d’entreprise); • expert en sécurité; • administrateur d’entrepôts de données. Bien que la fonction principale d’un ETL réside dans l’alimentation du datawarehouse, SSIS fournit de nombreux outils visant à automatiser un grand nom-

5.1 Présentation de SQL Server Integration Services (SSIS)

—————————————————————————————————————

103

Figure 5.2 — Le cycle Integration Services (source Microsoft)

bre de tâches qui participent de près ou de loin à la construction de l’entrepôt de données. La figure 5.2 montre le regroupement d’un grand nombre de tâches dans un même et unique module. Cette démarche permet la modularité de tâches complexes et en même temps leur centralisation dans un même processus. On peut synthétiser les améliorations de SSIS par rapport à DTS comme suit : • l’intégration des données et la création de l’entrepôt sont réalisées au moyen d’une seule opération; • la récupération, la préparation et le chargement des données s’effectuent dans un seul processus auditable; • la gestion de très gros volumes de données est possible. Afin d’illustrer concrètement le domaine d’application de SSIS, nous allons passer en revue quelques-unes des fonctionnalités. Fusion de données à partir de bases hétérogènes Nous l’avons déjà dit, les données d’entreprises sont généralement stockées au sein de différents silos répartis sur des plates-formes géographiquement éloignées et dans des formats disparates (Excel, Access, Oracle, DB2, ERP propriétaire, etc.). SSIS permet d’accéder à un grand nombre de sources de données (.NET, OLE DB, ODBC, XML, fichiers plats) afin de les rendre compatibles entre elles dans leur format physique et homogènes dans leur contenu.

104

————————————————————————————————————————————————————————

5. Introduction à Integration Services

Ce processus est pris en charge par le mécanisme des flux de données. Ce dernier utilise trois types de composants : sources des flux de données, transformation des flux de données, destination des flux de données. Alimentation des entrepôts de données et datamart Par nature, un ETL est chargé d’extraire des données, de les transformer et de les charger dans un entrepôt métier également appelé datamart. SSIS n’échappe pas à cette règle. Ces tâches répétitives et parfois complexes, doivent être consignées dans un enchaînement de tâches élémentaires. Chacune de ces tâches est destiné à la manipulation des données. Quel que soit le degré de simplicité ou de complexité du traitement de la donnée, celui-ci est pris en charge grâce à de multiples assistants. Ceux-ci sont regroupés au sein d’une interface graphique et relèguent au rang des oubliettes les antiques lignes de code en C# ou Visual Basic. Rassurons immédiatement les développeurs : ils continueront à manipuler du code SQL, des procédures stockées et pourquoi pas du code VB ou C# lorsque les assistants auront atteint leurs limites fonctionnelles. Les tâches d’intégration sont rassemblées dans un package ou lot. Le flux de contrôle établit l’enchaînement des tâches du package. Certaines tâches ont pour vocation d’assurer la transformation de données. On les appelle tâches de flux de données.

Figure 5.3 — Un package enchaîne différents types de tâches dans le flux de contrôle

Les flux de données traitent essentiellement des fonctions de transformation de données. Elles sont au minimum composées d’une source de données, d’une transformation et d’une destination.

5.1 Présentation de SQL Server Integration Services (SSIS)

—————————————————————————————————————

105

Les tâches de SSIS peuvent également exécuter des sauvegardes de bases complètes ou traiter des cubes et des dimensions Analysis Services. Le traitement automatisé de bout en bout permet de maintenir une parfaite synchronisation entre les données de l’ERP, du datawarehouse et des cubes OLAP associés. Une des grandes tâches d’un ETL est de procéder à la dénormalisation des tables lors du passage du modèle opérationnel (OLTP) au modèle multidimensionnel (DW). L’ETL profite également de ces transformations pour introduire des fonctions d’agrégation telles que SUM, COUNT et AVERAGE dans l’entrepôt de données (DW). Nettoyage et standardisation des données Quelle que soit l’origine des données (OLTP, OLAP, Excel, Access, fichiers plats, etc.), elles doivent être préalablement nettoyées et standardisées. En voici quelques illustrations : • Les succursales d’une même organisation utilisent des conventions et des standards qui leur sont propres. • Les données peuvent être acquises auprès de loueurs professionnels. Avant d’être exploitées, il est nécessaire de les standardiser et de les rendre compatibles avec les données déjà existantes dans l’entreprise. • Certaines données peuvent être spécifiques à des critères régionaux (formats numériques, date et heure). Avant de les charger, il est nécessaire de les convertir en un même référentiel. Un lot SSIS peut également substituer des valeurs de champs par recherche de valeurs issues d’une table de référence (fonction lookup). SSIS dispose d’algorithmes de recherche exacte ou floue à des fins de substitution et de standardisation. Par exemple, dans les cas d’une récupération d’adresses de prospects, la ville peut être mal orthographiée (Pari au lieu de Paris). L’algorithme de recherche floue permet de conserver la bonne orthographe et ainsi de standardiser les valeurs dans le référentiel de l’entreprise. Ce même type d’algorithme permet également de détecter des doublons lors de l’introduction de nouvelles adresses et ainsi d’effectuer un traitement spécifique. La transformation de données intelligentes SSIS présente des fonctions de transformation dynamique afin de s’adapter aux données auxquelles il accède. En fonction du contenu de données en entrée, SSIS permet de fusionner plusieurs lignes source en une seule ou au contraire de fractionner des lignes en plusieurs destinations. Il est possible également d’appliquer différentes fonctions d’agrégation selon les données source.

106

————————————————————————————————————————————————————————

5. Introduction à Integration Services

Les conteneurs permettent de grouper certaines tâches participant à un même objectif. On attribuera à ces conteneurs des variables partagées par toutes les tâches le constituant. Les conteneurs répétitifs permettent également d’effectuer des itérations pour chaque élément constitutif du conteneur. Par exemple, une tâche FTP transfère quotidiennement des fichiers en provenance des succursales dans un répertoire de destination. Lorsque tous les fichiers ont été transférés et sans en connaître le nombre exact, SSIS balaie séquentiellement le contenu du répertoire, traitant les uns après les autres tous les fichiers du répertoire. Automatisation des fonctions d’administration SSIS permet d’automatiser des tâches d’administration telles que sauvegardes et restaurations de bases de données. Il est également possible de copier des bases de données SQL Server ou certains objets qu’elles contiennent vers d’autres instances ou d’autres bases. Un package SSIS peut exécuter d’autres packages. Cela permet au développeur ou à l’administrateur de morceler son travail en sous-ensembles cohérents, et d’en assurer plus facilement la maintenance ou la réutilisation. Un package peut utiliser une tâche de bouclage afin de scanner un certain nombre de serveurs et ainsi réaliser des fonctions similaires sur plusieurs serveurs. SSIS dispose d’un énumérateur qui passe en revue les objets SMO (SQL Management Object). Les packages SSIS peuvent être planifiés à l’aide de l’agent SQL Server. Synthèse de l’architecture de SSIS Nous l’avons vu, SSIS est composé de packages ou lots. Chaque package comprend un ou plusieurs flux de contrôle. Certains flux de contrôles englobent à leur tour des tâches de flux de données (tâche de transformation). Le concepteur graphique de SSIS est scindé en quatre modules distincts matérialisés par des onglets différents visant à : • construire le flux de contrôle qui séquence l’ensemble des tâches du package; • construire le flux de données et les transformations élémentaires entre une source et une destination; • mettre en œuvre un gestionnaire d’événements permettant de réagir à certains événements lors du traitement tels que en cas d’erreur, en cas de bon fonctionnement, en cas d’arrêt du lot, etc.); • afficher le contenu et la progression de l’exécution du package, ce qui facilite le débogage.

5.1 Présentation de SQL Server Integration Services (SSIS)

—————————————————————————————————————

107

Figure 5.4 — Schéma global des composants de SSIS

Les enchaînements de tâches ou workflow intègrent des fonctions comme des transferts de fichiers (FTP), l’exécution d’instructions SQL, de procédures stockées, l’envoi de messages par courriel. La prise en compte d’un grand nombre de sources de données permet des connexions en provenance de multiples bases de données. Integration Services permet d’automatiser des tâches de transformation, de nettoyage, d’agrégation, de fusion et de copie de données. Des interfaces de programmation sont fournies permettant aux développeurs d’intégrer ces API dans leurs développements.

108

————————————————————————————————————————————————————————

5. Introduction à Integration Services

Dans ce chapitre, vous apprendrez à utiliser SSIS pour créer un lot dont la finalité sera de récupérer des données en provenance de Access et Excel, puis d’insérer ces données dans une table de dimension de l’entrepôt de données. Structure d’un package SSIS Business intelligence Development Studio (BIDS) est une interface conviviale visant à construire des packages Integration Services. Lorsque nous utilisons BIDS, plusieurs onglets sont à notre disposition.

L’onglet Flux de contrôle Il permet : • de créer des conteneurs qui définissent des flux de travail répétitifs; • de subdiviser des tâches en sous-ensembles cohérents; • de créer des tâches de flux de données; • de préparer les données; • de créer des scripts; • d’ordonner les flux en appliquant des contraintes de précédence.

Figure 5.5 — L’onglet Flux de contrôle et le gestionnaire de connexions

5.1 Présentation de SQL Server Integration Services (SSIS)

—————————————————————————————————————

109

La figure 5.9 présente les éléments du flux de contrôle.

L’onglet Flux de données Il permet : • d’ajouter une ou plusieurs sources de données; • d’ajouter des gestionnaires de connexion; • de créer des transformations afin de répondre aux besoins métier; • d’ajouter une ou plusieurs destinations telles que des tables ou bases de données; • de détecter des erreurs lors des transformations et de traiter les exceptions.

Figure 5.6 — L’onglet flux de données

L’onglet Gestionnaire d’événements Il permet : • traiter les événements qui se déclenchent lors du traitement du package (exemple : envoyer un message électronique lors de l’échec ou à l’achèvement d’un package); • traiter les événements pour tous les types de tâches du package. La figure 5.7 montre l’interception de l’erreur lors de l’exécution du package, et l’envoi d’un courriel d’information.

110

————————————————————————————————————————————————————————

5. Introduction à Integration Services

Figure 5.7 — Le gestionnaire d’événements permet de déclencher des tâches en cas d’erreur (ou autres événements)

L’onglet Explorateur de Package Il permet : • de fournir un aperçu du package; • de lister les exécutables;

Figure 5.8 — L’onglet présentant l’explorateur des objets contenus dans un package

5.1 Présentation de SQL Server Integration Services (SSIS)

—————————————————————————————————————

Figure 5.9 — Liste des outils mis à disposition de l’administrateur pour le flux de contrôle

Figure 5.10 — Liste des tâches disponibles dans DTS 2000

111

112

————————————————————————————————————————————————————————

5. Introduction à Integration Services

• de lister les contraintes de précédence qui relient les tâches; • de lister le gestionnaire d’événements; • de lister le gestionnaire de connexions. À titre de comparaison, l’interface DTS de SQL Server 2000 présentant les tâches est donnée figure 5.10.

Figure 5.11 — Liste des connecteurs standard disponibles dans DTS 2000

5.2 MIGRER UN PACKAGE DTS 2000 Les packages définis dans SQL Server 2000 peuvent être récupérés dans SSIS selon trois stratégies : • Migrer les packages DTS au format SQL Server 2005. Cette migration n’est possible que si les lots DTS 2000 n’utilisent que des fonctionnalités ayant un équivalent dans SSIS 2005. Si lors de la migration l’assistant détecte des erreurs, il convient alors d’utiliser une des deux stratégies suivantes.

5.3 Migrer une base SQL Server 2000 vers SQL Server 2005

———————————————————————————————————

113

• Exécuter les lots DTS en utilisant le runtime DTS de SQL Server 2000. • Intégrer ou encapsuler les lots DTS dans une solution SSIS 2005. Ces assistants sont disponibles dans les versions SQL Server 2005 Standard, Enterprise ou Developer. L’assistant de migration est intégré à SSIS. Projet puis Migrer un package DTS 2000. Le site msdn de Microsoft recense les problèmes connus liés à la migration des packages 2000 vers 2005 (http://msdn2.microsoft.com/fr-fr/library/ms143462.aspx).

5.3 MIGRER UNE BASE SQL SERVER 2000 VERS SQL SERVER 2005 Le processus de migration d’une base de données SQL Server 2000 vers 2005 peut être réalisé grâce à une sauvegarde de la version 2000 (exemple Northwind.bak). Dans Management Studio 2005, procéder à la création de la base NorthWind. La restauration de la base SQL 2000 vers SQL Server 2005 nécessite d’établir la compatibilité descendante vers SQL Server 2000 lors de la création de la base dans SQL Server Management Studio 2005.

Figure 5.12 — Assurer un niveau de compatibilité SQL Server 2000

114

————————————————————————————————————————————————————————

5. Introduction à Integration Services

Le processus de restauration se déroule selon les étapes suivantes : • Spécifier l’emplacement de la sauvegarde. • Dans les options, cocher la case Remplacer la base existante. • La restauration s’effectue normalement. • Après la restauration, passer le niveau de compatibilité à SQL Server 2005 afin de bénéficier des fonctionnalités avancées. Nous verrons dans le paragraphe suivant que SSIS dispose également d’une fonction permettant d’effectuer le transfert de base du format SQL 2000 vers SQL 2005.

5.4 TÂCHES D’INTÉGRATION SERVICES Tâches des éléments de flux de contrôle La boîte à outils de flux de contrôle recense l’ensemble des tâches du plan de maintenance et de flux permettant d’enchaîner des processus de traitement de données.

Conteneur de boucle Foreach Le conteneur de boucle Foreach exécute un ensemble de tâches autant de fois qu’il y a d’éléments dans la collection qui les contient. Plusieurs types de collections peuvent être utilisés : • fichiers présents dans un répertoire et répondant à un critère particulier; • chaque ligne d’un recordset ADO ou ADO.NET dataset; • chaque ligne de toutes les tables d’un dataset ADO.Net; • chaque table d’un dataset ADO.Net; • chaque élément d’une variable qui comporte une collection d’objets; • chaque nœud d’une liste XML; • chaque objet d’une collection SMO. Dans la figure 5.13, la tâche « Create tables » est incluse dans la boucle qui porte le nom « Run SQL Statements ». Cette tâche sera donc répétée. La liste des fichiers dans le conteneur de type répertoire est donnée figure 5.14.

5.4 Tâches d’intégration services

———————————————————————————————————————————————————————————

115

Figure 5.13 — Boucle exécutant des commandes SQL de création de table

Figure 5.14 — Liste de fichiers dans un conteneur de type répertoire

Pour information voici le contenu du fichier portant le nom CreateProspectTableTerr1.SQL. /* Creates the Territory table*/ IF NOT EXISTS (SELECT * FROM AdventureWorks.sys.tables WHERE type = ‘U’and name = ‘Territory1’) CREATE TABLE AdventureWorks.dbo.Territory1 ( [CustomerKey] [int] IDENTITY (1, 1) NOT NULL, FirstName nvarchar (15), MiddleInitial nchar (1), LastName nvarchar (20), BirthDate datetime, MaritalStatus nchar (5), Gender nchar (1), Salutation nvarchar (10), EmailAddress nvarchar (100), YearlyIncome int, TotalChildren tinyint, NumberOfChildrenAtHome tinyint, Education nvarchar(40), Occupation nvarchar(30),

116

————————————————————————————————————————————————————————

5. Introduction à Integration Services

HomeOwner nchar (3), NumberCars tinyint, AddressLine1 nvarchar (50), City nvarchar (30), State nchar (3), PostalCode nvarchar (10), Phone nvarchar (20), Territory int ) ELSE TRUNCATE TABLE AdventureWorks.dbo.Territory1

La figure 5.15 montre une collection d’une collection d’objets constitués des fichiers contenus dans un répertoire donné. La boucle ForEach balaie le répertoire à la recherche de fichiers dont l’extension est .SQL.

Figure 5.15 — L’éditeur de boucle Foreach

À chaque boucle, le nom de fichier est transmis à la variable utilisateur vFileName. Le gestionnaire de connexion CreateTableSQL transmet le nom de fichier à la tâche « Create Tables ». À chaque boucle, la variable @[User::vFileName] reçoit le nom du fichier et modifie dynamiquement la connexion. La tâche d’exécution SQL puise sa requête dans le fichier source grâce au gestionnaire de connexion CreateTableSQL.

5.4 Tâches d’intégration services

———————————————————————————————————————————————————————————

Figure 5.16 — Variable utilisateur dans l’éditeur de boucle

Figure 5.17 — Propriété de la connexion CreateTableSQL

117

118

————————————————————————————————————————————————————————

5. Introduction à Integration Services

Figure 5.18 — L’éditeur de tâche d’exécution d’une commande SQL

Conteneur de boucle For Le conteneur de boucles For définit un flux de contrôle répétitif dans un package. La mise en œuvre de la boucle est similaire à la structure de bouclage For… Next des langages de programmation. Lors de chaque répétition de la boucle, le conteneur de boucles For évalue une expression et répète son flux de travail jusqu’à ce que l’expression renvoie la valeur False.

Figure 5.19 — boucle For

Conteneur de séquences Le conteneur de séquences regroupe un sous-ensemble de tâches pour mieux structurer le package. Il offre l’avantage de pouvoir être désactivé, ce qui a pour conséquence de désactiver toutes les tâches qui le composent. Cette fonctionnalité est particulièrement intéressante en phase de débogage. Il est possible également de définir des propriétés sur le conteneur plutôt que sur chacune des tâches qui le composent.

5.4 Tâches d’intégration services

———————————————————————————————————————————————————————————

119

Tâche DDL d’exécution SQL Server Analysis La tâche DDL d’exécution de Analysis Services exécute des instructions qui peuvent créer, modifier ou supprimer des cubes multidimensionnels et des dimensions. La tâche DDL utilise un gestionnaire de connexion Analysis Services.

Tâche de flux de données Cette tâche permet de copier des données entre des sources et des destinations tout en offrant la possibilité de transformer, nettoyer et modifier les données. La tâche de flux de données représente le conteneur dont le détail des tâches est fourni dans l’onglet « Flux de données ». • les sources précisent les connecteurs vers les sources de données (fichiers plats, tables ou vues SQL); • les transformations modifient les données; • les destinations chargent les données. Lors de l’exécution, la tâche crée un plan d’exécution à partir du flux de données. Le moteur de flux de données exécute le plan.

Source

Transformation

Transformation

Destination Figure 5.20 – La tâche de flux de données alimente une destination (table SQL Server, fichier plat, etc.) à partir des données sourcesTâche de requête d’exploration de données

Cette tâche exécute des requêtes basées sur des modèles prédictifs intégrés à Analysis Services. Par exemple, lors du chargement de données dans une base, une telle requête peut prédire si un nouveau prospect est susceptible d’acheter ou non tel ou tel article et d’isoler les cas dans des tables intermédiaires. La requête est une instruction DMX (Data Mining Extensions).

120

————————————————————————————————————————————————————————

5. Introduction à Integration Services

Tâche de script Cette tâche permet au programmeur de réaliser des fonctions non disponibles dans les tâches intégrées de SSIS.

Figure 5.21 — La tâche de script ActiveX envoie un message en cas d’erreur (incohérence entre les deux tables)

Le code ci-dessous permet de vérifier la cohérence des données entre une table de faits (FactFinance) et une table de dimension (DimActivity) sur un serveur SQL 2000 (Provider=SQLOLEDB.1). Const DB_CONNECT_STRING = "Provider=SQLOLEDB.1;Data Source=Monserveur\sql2000; Initial Catalog=Pubs;user id = ‘sa’;password=‘sa’" Dim OK_or_KO ‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘ ‘Name : ‘Auteur ‘Objectif : ‘Retour

Function ExecuteSQL B. Burquier Executes a SQL statement ADO Recordset

Function Main() Call Process_Control() If OK_or_KO = "OK" then Main = DTSTaskExecResult_Success Else ‘erreur Main = DTSTaskExecResult_FAilure End if End Function

5.4 Tâches d’intégration services

———————————————————————————————————————————————————————————

121

Sub Process_Control() Dim rstResult ‘Requete de non correspondance StrQuery = "SELECT FactFinance.CompanyId, FactFinance.AccountId, FactFinance.ActivityId, FactFinance.CurrencyId, FactFinance.ProjectId, FactFinance.TimeId, FactFinance.AppealId, FactFinance.ScenarioId, FactFinance.DataCHF, FactFinance.DataLocalCurr, FactFinance.LineDescription FROM FactFinance LEFT JOIN DimActivity ON FactFinance.ActivityId = DimActivity.ActivityId WHERE DimActivity.ActivityId Is Null" ‘Get the ADO Recordset Set rstResult = ExecuteSQL(strQuery) ‘If the Recordset is not empty then proceed If Not (rstResult.Eof and rstResult.Bof) Then ‘non vide Msgbox "Non vide = failure" OK_or_KO = "KO" Else ‘vide MsgBox "vide = Success" OK_or_KO = "OK" End If ‘Clean up variables Set rstResult = Nothing End Sub ‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘ ‘Name : Function ExecuteSQL ‘Author : B Burquier ‘Purpose : Executes a SQL statement ‘Return ADO Recordset ‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘‘ Function ExecuteSQL(mySQLCmdText) ‘ instantiate the ADO objects Dim myConn Dim myRecordset set myConn = CreateObject("ADODB.Connection") set myRecordset = CreateObject("ADODB.Recordset") ‘ set the connection properties to point to the database using the constant myConn.Open = DB_CONNECT_STRING myRecordset.Open mySQLCmdText, myConn Set ExecuteSQL = myRecordset End Function

122

————————————————————————————————————————————————————————

5. Introduction à Integration Services

Tâche de service Web Cette tâche permet d’exécuter une méthode de service web. Elle récupère dans une variable ou un fichier, des valeurs renvoyées par la méthode de service Web. Le gestionnaire de connexions HTTP permet de pointer vers un site web ou un fichier WSDL (Web Service Description Langage). Exemple : http: //MyServer / MyWebService/MyPage.asmx?WSDL

Tâche de système de fichiers Cette tâche effectue des opérations sur les fichiers et les répertoires. Il est possible de copier un répertoire et son contenu, de déplacer des fichiers, d’en modifier les attributs, etc. Le gestionnaire de connexion permet de choisir le serveur sur lequel effectuer les opérations. Les tâches de système sur les fichiers et répertoires sont les suivantes : • copier un répertoire; • copier un fichier; • créer un répertoire; • supprimer un répertoire; • supprimer le contenu d’un répertoire; • supprimer un fichier; • déplacer un répertoire; • déplacer un fichier; • renommer un fichier; • définir des attributs des fichiers ou des répertoires.

Tâche de traitement Analysis Services Cette tâche permet de traiter les objets Analysis Services (cubes, dimensions, modèles de data mining).

Tâche de transfert de base de données Cette tâche permet de copier des bases SQL entre des instances SQL Server 2000 et/ou SQL Server 2005. Toutes les combinaisons sont possibles.

Tâche de transfert de connexions Cette tâche permet de transférer une ou plusieurs connexions entre différentes instances de SQL Server (figure 5.22).

Tâche de transfert de messages d’erreur Elle transfère des messages d’erreur entre plusieurs instances de SQL Server et permet de gérer les cas de doublons de messages d’erreur.

5.4 Tâches d’intégration services

———————————————————————————————————————————————————————————

123

Figure 5.22 — Formulaire de sélection des connexions à transférer entre deux instances de SQL Server

Tâche de transfert de procédures stockées La tâche de transfert de procédures stockées de master transfère une ou plusieurs procédures stockées définies par l’utilisateur entre les bases de données master sur des instances de SQL Server. Pour transférer une procédure stockée à partir de la base de données master, le propriétaire de la procédure doit être dbo.

Tâche de transfert d’objets SQL Server La tâche de transfert d’objets SQL Server transfère un ou plusieurs types d’objets d’une base de données SQL Server entre des instances de SQL Server. Il est possible de transférer des tables, des procédures stockées, des fonctions et types de données définis par les utilisateurs entre des versions 2000 et 2005. Les rôles de serveur, les rôles et les utilisateurs de la base de données spécifiée peuvent être copiés, ainsi que les autorisations pour les objets transférés. Certaines fonctions sont réservées à SQL Server 2005 (partitions, schémas, assemblies, agrégations, schéma XML).

Tâche d’exécution de package Cette tâche étend les fonctionnalités d’entreprise de SSIS en permettant à des packages d’en exécuter d’autres au sein d’un flux de travail. Un package qui en exécute d’autres est généralement appelé « package parent », tandis que les packages exécutés par un flux de travail parent sont appelés « packages enfants ».

Tâche d’exécution de package DTS 2000 La tâche d’exécution de package DTS 2000 exécute les lots développés à l’aide de DTS 2000. Cette tâche permet d’exécuter des packages DTS SQL Server 2000 dans les solutions de transformation de données SQL Server 2005.

124

————————————————————————————————————————————————————————

5. Introduction à Integration Services

Tâche d’exécution de processus Cette tâche exécute une application (Word, Access, Excel, etc.) ou un fichier de commandes dans le cadre d’un flux de travail. Elle permet par exemple de démarrer une application VisualBasic ou une macro Access chargée de générer quotidiennement un rapport sur les ventes.

Figure 5.23 — Exécution d’un processus de décompression d’un fichier zippé (expand.exe)

Tâche d’exécution de requêtes SQL Cette tâche exécute des instructions ou des procédures stockées. La tâche peut contenir une seule ou plusieurs instructions SQL s’exécutant de façon séquentielle. Exemple : code SQL de création de clé primaire. IF NOT EXISTS (SELECT * FROM AdventureWorks.sys.tables WHERE type = ‘U’and name = ‘Lineage_Fact_Table’) CREATE TABLE dbo.Lineage_Fact_Table ( [Column 0] NVARCHAR(50), [Column 1] NVARCHAR(50), [Column 2] NVARCHAR(50), [Column 3] NVARCHAR(50), [Column 4] NVARCHAR(50), [Column 5] NVARCHAR(50), [Column 6] NVARCHAR(50), [Column 7] NVARCHAR(50), [File Name] NVARCHAR(260), [User Name] NVARCHAR(70), [Execution Start Time] DATETIME ) ELSE TRUNCATE TABLE AdventureWorks.dbo.Lineage_Fact_Table

5.4 Tâches d’intégration services

———————————————————————————————————————————————————————————

125

Tâche d’insertion en bloc Il s’agit d’un moyen très rapide de copier de gros volumes de données dans une table ou une vue SQL Server. Pour des raisons de performance, cette tâche ne permet pas d’effectuer des transformations de données lors du chargement. La tâche d’insertion en bloc ne peut transférer des données que depuis un fichier texte vers une table ou une vue SQL Server. Si la table ou la vue de destination contient déjà des données, les nouvelles données sont ajoutées à la table existante. Si vous souhaitez remplacer les données, utilisez une tâche d’exécution SQL DELETE ou TRUNCATE avant de lancer la tâche d’insertion en bloc.

Tâche Envoyer un message

Figure 5.24 — Formulaire permettant de configurer les propriétés pour l’envoi d’un message électronique

Figure 5.25 — Formulaire de préparation de connexion SMTP

126

————————————————————————————————————————————————————————

5. Introduction à Integration Services

Elle permet à un package d’envoyer des messages en cas de réussite ou d’échec des tâches du flux de travail, ou d’envoyer des messages en réponse à un événement déclenché par le package au moment de l’exécution. Par exemple, la tâche peut notifier à un administrateur de base de données la réussite ou l’échec de la tâche de sauvegarde de base de données ou de l’import de données.

Tâche FTP Cette tâche permet de télécharger des fichiers de données entre serveurs. Par exemple, elle peut récupérer quotidiennement tous les fichiers des ventes des succursales sur un serveur central exécutant la consolidation dans le datawarehouse.

Tâche Lecteur de données WMI WMI (Windows Management Instrumentation) permet d’occulter la complexité liée à l’environnement du système. Le schéma CIM (Common Information Model) résulte de la norme DMTF. Il présente une vue cohérente et unifiée des différents types d’objets logiques et physiques contenus dans l’environnement tels des composants de logiciel, des services, des imprimantes. Les utilisateurs des services WMI souscrivent à des événements choisis et reçoivent des alertes lorsque des événements se réalisent. La tâche Lecteur de données WMI exécute des requêtes au moyen du langage de requête WMI. Il est possible d’interroger les journaux des événements Windows sur un serveur distant puis d’écrire les informations dans un fichier à des fins d’analyse.

Tâche MSMQ La tâche MSMQ (Microsoft Message Queuing) permet d’envoyer et recevoir des messages entre différents packages Integration Services ou d’envoyer des messages à une file d’attente traitée par une application personnalisée. Par exemple, la tâche peut mettre en file d’attente les messages destinés aux ordinateurs portables hors connexion des représentants commerciaux.

Tâche de Transfert de travaux Elle transfère un ou plusieurs travaux d’agent SQL Server entre des instances de SQL Server.

Tâche observateur d’événements WMI Cette tâche permet d’observer les événements WMI (Windows Management Instrumentation) à l’aide d’une requête d’événement WQL (Management Instrumentation Query Language) pour spécifier les événements dignes d’intérêt. Il est ainsi possible d’utiliser l’observateur d’événements WMI afin d’attendre la notification signalant que des fichiers sont ajoutés à un dossier lors d’un transfert FTP, puis de démarrer le traitement au signal de fin de transfert.

5.4 Tâches d’intégration services

———————————————————————————————————————————————————————————

127

Tâche XML La tâche XML est utilisée pour travailler avec des données XML. Il est possible de remettre en forme un document XML et de lui appliquer une feuille de style XSLT. Tâches du plan de maintenance

Exécuter la tâche de l’instruction T-SQL Cette tâche est similaire à la tâche d’exécution SQL. Toutefois, elle ne permet pas d’exécuter des requêtes paramétrées, d’enregistrer les résultats des requêtes dans des variables ou d’utiliser des expressions de propriété. Pour cela, vous devez utiliser la tâche d’exécution SQL et non pas la tâche Exécuter l’instruction T-SQL.

Tâche de nettoyage de maintenance La tâche de nettoyage de maintenance supprime les fichiers résiduels résultant de l’exécution du plan de maintenance.

Tâche de nettoyage d’historique La tâche de nettoyage d’historique supprime des entrées dans les tables d’historique Backup et Restore de la base de données SQL Server msdb, dans l’historique des travaux de SQL Server Agent et du plan de maintenance.

Figure 5.26 — Formulaire de tâche de nettoyage d’historique

Tâche Exécuter le travail de l’agent SQL Server Cette tâche exécute des travaux d’agent SQL Server. Il est possible d’exécuter des travaux qui exécutent des instructions T-SQL et des scripts ActiveX, des tâches de maintenance, de réplication ou d’exécution de lots SSIS.

Tâche Mettre à jour les statistiques La tâche Mettre à jour les statistiques permet à un package de mettre à jour les statistiques d’une ou plusieurs bases de données.

128

————————————————————————————————————————————————————————

5. Introduction à Integration Services

Figure 5.27 — Formulaire permettant de définir la tâche de mise à jour des statistiques

Tâche Notifier l’opérateur Un opérateur d’agent SQL Server est un alias d’une personne ou d’un groupe qui peut recevoir des notifications électroniques. La tâche Notifier l’opérateur envoie des messages de notification aux opérateurs d’Agent SQL Server. Elle utilise le service SQLiMail. Préalablement à la mise en place d’une telle tâche, un opérateur doit être défini avec une adresse courriel valide.

SQL script EXECUTE sendmail_sp Service Broker queue

SMTP Server

sqlimail90.exe

msdb SQLiMail Configuration sendmail_sp Stored Procedure

Service Broker

mailhost Email messages Logs

Figure 5.28 — Flux des processus dans SQLiMail

5.5 Composants des flux de données

————————————————————————————————————————————————————————

129

Tâche Reconstruire l’index La tâche Reconstruire l’index reconstruit les index dans les vues et les tables de base de données SQL Server.

Tâche Sauvegarder la base de données Grâce à cette tâche, il possible d’automatiser des sauvegardes totales ou différentielles. Une ou plusieurs bases de données peuvent être sauvegardées dans des fichiers ou groupes de fichiers. Le formulaire écran fourni par SSIS permet de générer la commande SQL qui sera exécutée : BACKUP DATABASE [AdventureWorksDW] TO DISK = N’C :\Program Files\Microsoft SQL Server\MSSQL.1\MSSQL\Backup\AdventureWorksDW_backup_200609201344.bak’WITH NOFORMAT, NOINIT, NAME = N’AdventureWorksDW_backup_20060920134425’, SKIP, REWIND, NOUNLOAD, STATS = 10

Tâche Vérifier l’intégrité de la base de données Cette tâche contrôle l’allocation et l’intégrité de la structure de tous les objets de la base de données spécifiée. Il est possible de vérifier plusieurs bases de données et de contrôler les index des bases.

5.5 COMPOSANTS DES FLUX DE DONNÉES SSIS offre trois types de composants de flux de données. Les sources, les transformations et les destinations. Dans le schéma de la figure 5.29, nous observons que les sources puisent leurs données dans les colonnes externes en provenance d’une base de données ou d’un fichier plat en s’appuyant pour cela sur une connexion pointant vers la source de données. Le mode d’accès précise le type de source (vue, table, fichier, etc). Les sources comportent des colonnes externes en entrée et des colonnes de sortie. Il est possible de sélectionner les colonnes externes qui participent à la sélection de sortie normale. La sortie d’erreur d’une source contient les mêmes colonnes que la sortie normale plus deux colonnes supplémentaires : ErrorCode indique le code erreur et ErrorColumn indique la colonne contenant l’erreur. Les colonnes de sortie deviennent à leur tour les colonnes d’entrée du composant de transformation. Les transformations comportent des colonnes d’entrée et des colonnes de sortie. Certaines transformations permettent de fusionner plusieurs entrées en une seule colonne de sortie ou d’éclater une entrée en plusieurs colonnes de sortie.

130

————————————————————————————————————————————————————————

5. Introduction à Integration Services

Les destinations comportent des colonnes d’entrée. Une destination écrit directement dans une table de la base de données ou dans un dataset en mémoire. Des colonnes de sortie d’erreur peuvent intercepter des traitements ne pouvant aboutir, par exemple la mise à jour d’un champ de la table avec une valeur null alors que ce champ n’autorise pas les valeurs nulles.

Figure 5.29 — Un flux de données est composé d’une source, d’une transformation et d’une destination

Sources des flux de données

Source DataReader La source DataReader accède à des données d’un fournisseur.NET à l’aide du gestionnaire de connexion ADO.NET. Vous devez saisir une commande SQL telle que SELECT * FROM sales.customer. Le mappage entre les colonnes externes et les colonnes de sortie se réalise automatiquement, voir figure 5.30.

5.5 Composants des flux de données

————————————————————————————————————————————————————————

131

Figure 5.30 — Mappage des colonnes dans le cas d’une source DataReader

Source de fichier brut La source de fichier brut lit des données directement dans un fichier lui-même généré par SSIS. Cette source n’utilise pas de gestionnaire de connexion.

Source de fichier plat

Figure 5.31 — Formulaire permettant d’établir une connexion avec un fichier plat

132

————————————————————————————————————————————————————————

5. Introduction à Integration Services

Un fichier plat peut être de format texte, avec des champs délimités par des caractères spéciaux, de largeur fixe, ou les deux. Dans le formulaire de la figure 5.31, on précisera le type de séparateur de ligne et de colonnes (tabulateur, guillemet, virgule). Le choix des paramètres régionaux permet de définir le format des données selon la localisation de la source (format date anglo-saxon ou français, format numérique, etc.). Dans la figure 5.31, on observe une source de données au format anglais (États-unis). L’affichage des colonnes après définition des types de colonne est montré figure 5.32.

Figure 5.32 — Affichage des colonnes du fichier plat

Source Excel La source Excel extrait des données de feuilles de calcul Excel entières ou de plages nommées. Les formats pris en compte sont Excel 3, 4, 5 et les versions 97 à 2005.

Source OLE DB La source OLE DB pointe sur des tables relationnelles. La figure 5.33 présente les différents fournisseurs OLE DB fournis par le gestionnaire de connexion.

5.5 Composants des flux de données

————————————————————————————————————————————————————————

133

Figure 5.33 Liste des fournisseurs OLE DB pour les sources et destinations de données

Transformations du flux de données

Agrégation La transformation d’agrégation permet de regrouper un certain nombre de lignes du flux de données. La fonction d’agrégation effectue un regroupement grâce à la clause GROUP BY sur une ou plusieurs colonnes, puis applique une fonction d’agrégation telle que Moyenne, Comptage, Comptage distinct, Somme, Max, Min.

Audit La transformation d’audit permet d’ajouter des colonnes au flux de données, afin d’obtenir des informations relatives à l’environnement au moment de l’exécution. Les colonnes d’audit concernent l’identifiant GUID, l’identificateur du package, le nom ou la version du package, l’heure à laquelle le package a commencé, le nom de l’ordinateur et de la tâche exécutée.

Colonne dérivée Une colonne dérivée résulte de l’application d’une fonction qui s’applique sur d’autres colonnes ou variables du package. Par exemple, la colonne dérivée NomComplet résulte de l’expression Prénom + " " + Nom. L’expression DATEPART ("year", GETDATE()) renvoie l’année en cours.

Commande OLE DB La transformation de commande OLE DB exécute une instruction SQL pour chaque ligne d’un flux de données. Il est ainsi possible d’exécuter une instruction SQL qui insère, met à jour ou supprime des lignes d’une table de base de données. DELETE FROM Dimcustomer WHERE CustomerKey = ?

134

————————————————————————————————————————————————————————

5. Introduction à Integration Services

Dans notre exemple, le « ? » remplace la colonne externe Param_0 mappée à la colonne d’entrée CustomerKey.

Composant script Ce composant permet d’écrire du code de script personnalisé. Le composant script peut être utilisé en tant que source, transformation ou destination. On utilise le composant script lorsqu’il s’agit de lire un fichier dont le format n’est pas pris en charge par le gestionnaire de connexion de SSIS. Un script peut appliquer plusieurs transformations simultanées. Un script peut naturellement exécuter des fonctions personnalisées qui n’existent pas dans la bibliothèque des fonctions fournies nativement par SSIS.

Figure 5.34 — Sélectionner un des trois types de composant de script

La figure 5.35 montre l’environnement de développement en visual basic.net.

Conversion de données Ce composant permet de convertir les données d’une colonne d’entrée en un type de données différent. La donnée convertie peut soit remplacer la colonne existante, soit être ajoutée dans une nouvelle colonne.

Copie de colonnes Cela permet de créer de nouvelles colonnes qui sont la copie de colonnes existantes. Les nouvelles colonnes permettent de fournir une plus grande flexibilité dans le cadre de nouveaux calculs, de transformation ou de mapping avec des colonnes de destination.

5.5 Composants des flux de données

————————————————————————————————————————————————————————

135

Figure 5.35 — Visual Studio for Application s’ouvre pour créer le script

Dimension à variation lente SSIS présente un mécanisme qui permet de traiter les trois types de variation dimensionnelle. En effet, les axes dimensionnels ont tendance à évoluer dans le temps. Il s’agira par conséquent de se déterminer sur la traçabilité de la variation des dimensions dans le temps ou bien de ne pas en tenir compte. Un client qui change de pays est toujours client de l’entreprise. Vouloir analyser le chiffre d’affaires réalisé dans tel pays ou tel autre peut avoir un sens. Si c’est le cas, on parlera de variation de dimension de type 2. A contrario, la distinction relative au changement d’adresse peut ne pas être pertinente. Dans ce cas, la nouvelle adresse du client remplacera purement et simplement l’ancienne et nous perdrons toute capacité à suivre l’évolution du client dans le temps. Il s’agit de variation dimensionnelle de type 1. Chacun de ces types de transformation de dimension à variation lente nécessite de prendre en charge quatre types de modifications : • modification d’attribut; • modification d’attribut d’historique; • modification d’attribut fixe; • modification de membre inféré. Les modifications modification d’attribut remplacent les enregistrements existants. Ce type de modification est équivalent à une modification de type 1. La

136

————————————————————————————————————————————————————————

5. Introduction à Integration Services

transformation de dimension à variation lente dirige ces lignes vers une sortie nommée Sortie de mises à jour d’attribut de validation. Les modifications d’attribut d’historique créent de nouveaux enregistrements au lieu de mettre à jour les enregistrements existants. La seule modification autorisée dans un enregistrement existant est une mise à jour d’une colonne qui indique si l’enregistrement est actif ou expiré. Ce type de modification qui préserve l’historique équivaut à une variation de type 2. La transformation de dimension à variation lente dirige ces lignes vers deux sorties : Sortie d’insertions d’attribut d’historique et Nouvelle sortie. Les modifications d’attribut fixe indiquent que la valeur de colonne ne doit pas changer. La transformation de dimension à variation lente détecte les modifications et peut diriger les lignes modifiées vers une sortie nommée Sortie d’attribut fixe. Membre inféré indique que la ligne est un enregistrement de membre déduit dans la table de dimension. Un enregistrement de membre inféré est un membre de dimension inconnu. Un enregistrement de membre inféré minimal est créé en prévision des données de dimension pertinentes, qui sont fournies dans un chargement ultérieur des données de dimension. La transformation de dimension à variation lente dirige ces lignes vers une sortie nommée Sortie de mises à jour de membre déduit. Comment fonctionne l’assistant de création de dimension à variation lente Sélectionnez le gestionnaire de connexions pour accéder à la source de données qui contient la table de dimension à mettre à jour. Vous pouvez effectuer une sélection dans une liste de gestionnaires de connexions inclus dans le package. Sélectionnez la table ou vue de dimension à mettre à jour. Après avoir choisi le gestionnaire de connexion, vous pouvez sélectionner la table ou la vue à partir de la source de données. Sélectionnez les attributs clés sur les colonnes et mappez les colonnes d’entrée aux colonnes de la table de dimension. Vous devez sélectionner au moins une colonne de clé d’entreprise dans la table de dimension et la mapper à une colonne d’entrée. D’autres colonnes d’entrée peuvent être mappées à des colonnes de la table de dimension en tant que mappages non-clés. Sélectionnez le type de modification pour chaque colonne : • Modification d’attribut remplace les valeurs existantes dans les enregistrements.

5.5 Composants des flux de données

————————————————————————————————————————————————————————

137

Figure 5.36 — La Clé d’entreprise présente la clé invariante de la table dimensionnelle

• Attribut d’historique crée des enregistrements au lieu de mettre à jour des enregistrements existants. • Attribut fixe indique que la valeur de colonne ne doit pas changer.

Figure 5.37 — L’assistant présente les trois types d’attribut de dimension

Si vous configurez des colonnes de façon à utiliser le type de modification Attribut d’historique, vous devez choisir comment effectuer la distinction entre les enregistrements actifs et expirés. Vous pouvez utiliser une colonne d’indicateurs de lignes actives ou deux colonnes de date pour identifier les lignes actives et expirées. Si vous utilisez la colonne d’indicateurs de lignes actives, vous pouvez

138

————————————————————————————————————————————————————————

5. Introduction à Integration Services

lui affecter les valeurs Current et True pour les lignes actives et Expired et False pour les lignes expirées. Vous pouvez également entrer des valeurs personnalisées. Si vous utilisez deux colonnes de date, une de début et une de fin, vous pouvez spécifier la date à utiliser lors de la définition des valeurs de colonnes de date en tapant une date ou en sélectionnant une variable système et en utilisant sa valeur.

Figure 5.38 — L’assistant permet de paramétrer les options d’attribut d’historique

Dans l’exemple ci-dessus les enregistrements expirés continent une date de début et une date de fin. Les enregistrements actifs contiennent uniquement une date de début. Ci-dessus, la variable système Creationdate sert à alimenter les dates de début et fin. Spécifiez si nécessaire la prise en charge des membres inférés et sélectionnez les colonnes que l’enregistrement de membre inféré contient. Lors du chargement de mesures dans une table de faits, vous pouvez créer des enregistrements minimaux pour les membres inférés qui n’existent pas encore. Lorsque, par la suite, des données significatives seront disponibles, les enregistrements de dimension pourront être mis à jour. Il est possible de créer les types d’enregistrements minimaux suivants : • un enregistrement dans lequel toutes les colonnes avec des types de modification sont nulles; • un enregistrement dans lequel une colonne booléenne indique que l’enregistrement est un membre inféré. Examinez les configurations créées par l’assistant Dimension à variation lente. En fonction des types de modifications pris en charge, différents ensembles de composants de flux de données sont ajoutés au package.

5.5 Composants des flux de données

————————————————————————————————————————————————————————

139

Figure 5.39 — Un enregistrement de membre inféré est un membre de dimension inconnu

La figure 5.40 illustre un exemple de flux de données qui prend en charge les modifications d’attributs fixes, d’attributs variables et d’attributs d’historique, et les modifications d’enregistrements correspondants.

Figure 5.40 — SSIS génère automatiquement les tâches nécessaires à la création de dimensions à variation lente par insertion d’attribut d’historique, par nouvelle sortie

1. Dans la cas de la conservation des attributs historiques (branche de droite) : • la colonne dérivée Sales_Person_SCD_End_Date prend la valeur de la date de création @[System::CreationDate].

140

————————————————————————————————————————————————————————

5. Introduction à Integration Services

• La Transformation OLE DB permet de mettre à jour la date de fin Sales_Person_SCD End_Date en fonction de la clé invariante [Sales_Person_SCD_Original_ID] selon la commande SQL : UPDATE [MaxMinSalesDM].[Sales_Person] SET [Sales_Person_SCD_End_Date] = ? WHERE [Sales_Person_SCD_Original_ID] = ? AND [Sales_Person_SCD_End_Date] IS NULL

2. Dans tous les cas : • la Transformation unir tout permet de fusionner les deux sources (source de lignes en ajout pur et simple et lignes en modification + ajout. • La Transformation colonne dérivée 1 permet d’attribuer la date de création au champ date de début : Sales_Person_SCD_Start_Date. Ce champ prend la valeur de la date de création : @[System::CreationDate]. • La transformation finale permet d’insérer dans la table de destination un nouvel enregistrement composé de la clé invariante Sales_Person_SCD_Original_ID de la date de début Sales_Person_SCD_Start_Date et enfin du nom du représentant Sales_Person_Name.

Échantillonnage de ligne Il permet de sélectionner un sous-ensemble des données sources de manière aléatoire. L’échantillonnage est basé sur un nombre de ligne à extraire.

Échantillonnage du pourcentage Il permet de sélectionner un sous-ensemble des données sources de manière aléatoire. L’échantillonnage est basé sur un nombre de ligne correspondant à un pourcentage du flux d’origine.

Importation de colonne Importe les données de fichiers vers les lignes d’un dataset. Il est possible de spécifier les colonnes de données à extraire puis de sélectionner ligne à ligne le fichier de destination.

Jointure de fusion Elle établit une fusion entre des données en provenance de deux flux de données. Cela équivaut à effectuer une jointure entre deux tables. Ainsi, par exemple, une table Produits peut être jointe à une table Catégorie de produit par une clé étrangère (CatProd) permettant d’établir la jointure entre les deux tables. Il est possible d’établir des jointures FULL, LEFT, INNER. Les colonnes qui établissent la jointure doivent être de type compatible. Les deux tables doivent être triées préalablement sur le champ permettant la jointure.

5.5 Composants des flux de données

————————————————————————————————————————————————————————

141

Multidiffusion La transformation de multidiffusion dirige sa sortie vers une ou plusieurs sorties. Chaque ligne d’entrée dirige ses données vers chaque sortie.

Nombre de lignes Cette transformation détermine le nombre de lignes dans le flux de données. Le compteur est ensuite stocké dans une variable du package. La variable peut ensuite être récupérée afin de modifier le flux de contrôle ou le flux de données.

Recherche Cette transformation exécute une requête dans un ensemble de référence (table, vue). Le paramètre d’extraction est fourni par une colonne du flux d’entrée. La table de référence renvoie un ou plusieurs champs en retour.

Recherche de terme On recherche les occurrences d’un ensemble de mots ou de phrases dans un flux de données comportant du texte libre. Le résultat de cette transformation est un ensemble de lignes précisant le comptage d’occurrences trouvées et le terme de la table de référence.

Recherche floue La transformation de recherche floue permet d’effectuer des tâches de nettoyage dans le but de corriger, puis de standardiser les données. L’algorithme de recherche floue permet également de fournir des données manquantes. Cette transformation présente un fort intérêt lorsque les données en entrée ont fait l’objet d’une saisie libre et n’ont pas été contrôlées à la source.

Regroupement probable La transformation de regroupement probable identifie des lignes de données susceptibles d’être des doublons. Une correspondance exacte garantit que seules les colonnes possédant des valeurs identiques dans cette colonne seront regroupées. Une correspondance approximative regroupe des lignes ayant des données approchantes. C’est l’utilisateur qui définit le score de similarité basé sur une notion de distance entre deux chaînes de caractères. Paris et Pari ont une distance de 1 car un seul caractère sépare les deux mots. Idem pour Cathy et Kathy. En revanche Kathy et Kathryn ont une distance de 2.

Requête d’exploration de données Une requête d’exploration de données utilise un modèle de data mining afin de réaliser des prédictions sur chaque ligne du flux de données. C’est ainsi par exemple qu’il est possible de prédire si un client sera un bon candidat pour l’achat de tel produit. L’algorithme de prédiction se base sur des requêtes DMX (Data Mining Extension).

142

————————————————————————————————————————————————————————

5. Introduction à Integration Services

Supprimer le tableau croisé dynamique (transformation Unpivot) Une fonction Unpivot transforme un flux de données dénormalisé, en un flux normalisé. ClientID

Tél. Domicile

Tél. Travail

Tél. Mobile

Fax

1234

04 50 60 01 02

01 69 30 03 04

06 80 47 13 15

2345

05 06 07 08 09

05 07 08 09 10

05 07 08 09 11

Figure 5.41 — Exemple de flux dénormalisé

Voici le data set après transformation. Client ID

Type de tel

N° de ligne

1234

Domicile

04 50 60 01 02

1234

Travail

01 69 30 03 04

1234

Mobile

06 80 47 13 15

2345

Domicile

05 06 07 08 09

2345

Travail

05 07 08 09 10

2345

Fax

05 07 08 09 11

Figure 5.42 — Flux normalisé

Tableau croisé dynamique (transformation Pivot) Une fonction Pivot (à l’inverse de Unpivot) transforme un flux de données normalisé en un flux dénormalisé (exemple inverse du précédent).

Table de caractères La transformation de table de caractères permet d’effectuer des conversions sur des colonnes de type chaîne de caractères. Il est possible de convertir des chaînes en minuscules ou majuscules, d’inverser l’ordre des caractères.

Tri Cette fonction trie les données d’entrée dans l’ordre croissant ou décroissant et copie les données triées dans la sortie. Plusieurs imbrications de tri sont possibles et pour chaque colonne triée, il est possible de préciser l’ordre ascendant ou descendant.

5.5 Composants des flux de données

————————————————————————————————————————————————————————

143

Unir tout La transformation d’union totale permet de combiner plusieurs entrées en une seule sortie. On reparle de concaténation des sources de données. La première entrée fournit le format qui servira à mapper les colonnes avec le flux de sortie. Destinations du flux de données

Figure 5.43 — Destination du flux de données

Les données ont maintenant été transformées dans le format attendu, nous devons maintenant les stocker dans une destination. Voici les options disponibles pour le stockage des données (figure 5.43) : • Apprentissage du modèle d’exploration de données : les données reçues par la destination sont transmises au modèle d’exploration (algorithme de data mining) afin d’être exercées. Plusieurs modèles peuvent faire l’objet d’un apprentissage. • Destination DataReader permet d’utiliser ADO.NET pour le stockage des données de destination. • Destination de fichier brut permet d’écrire un flux de données dans un fichier au format natif de SSIS. Ce type de fichier est utilisé afin d’obtenir des performances maximales. • Destination de fichier plat ou fichier au format TXT. • Destination de l’ensemble d’enregistrements insère un Recordset dans une variable dont le contenu peut être affiché en dehors du flux de données. • Destination Excel envoie un flux de données dans une feuille Excel.

144

————————————————————————————————————————————————————————

5. Introduction à Integration Services

• Destination OLE DB transfert le flux de données vers toute table d’une base de données compatible OLE DB. • Destination pour SQL Server envoie le flux de données directement dans une table ou vue SQL Server. Cette fonction est équivalente à la tâche de Bulk Insert. Cette tâche offre de grandes performances. • Destination de SQL Server Mobile envoie un flux de données vers la version mobile de SQL Server. • Traitement de dimension envoie un flux de données visant à ajouter des données nouvelles dans une dimension de Analysis Services. • Traitement de Partition permet d’alimenter une partition d’un cube dans Analysis Services.

6 Règles d’ETL et assistants

Nous l’avons vu dans le chapitre précédent, la grande force de business intelligence Visual Studio est de simplifier en profondeur la tâche des programmeurs, en offrant une large panoplie d’outils d’utilisation simple. L’essentiel des fonctions de manipulation des données se retrouve dans les flux de contrôle et les flux de données. Ces outils de base peuvent cependant dérouter le développeur habitué à réaliser des tâches identiques en codant des lignes en C++, C# ou VB. En effet, le choc culturel n’est pas neutre, car le développeur habitué à gérer la complexité va être fortement concurrencé par la mise à disposition de nouveau outils simplificateurs. L’entreprise et son personnel devraient cependant y trouver un avantage de taille. En effet, la finalité de toute organisation est de rester centrée sur son propre métier et non de gérer la complexité des outils susceptibles de l’aider dans son activité. La réponse de SQL Server 2005 et son outil de développement intégré business intelligence Development Studio consiste à occulter une grande partie de cette complexité et d’amener progressivement l’utilisateur à réfléchir sur son métier. Microsoft a envisagé d’accompagner le DBA dans son évolution vers l’environnement SQL Server 2005 et SSIS dispose d’un grand nombre d’assistants permettant d’effectuer ces migrations. Outre le fait qu’ils présentent une réelle utilité, ils ont le mérite d’être formateurs. Voyons dans le détail quelques-uns des assistants de haut niveau.

146

————————————————————————————————————————————————————————————————

6. Règles d’ETL et assistants

6.1 UTILISER L’ASSISTANT POUR GÉNÉRER UN LOT IMPORT 6.1.1 Créer le projet d’importation L’assistant d’importation et d’exportation permet d’effectuer des transferts d’objets entre plusieurs bases de données elles-mêmes réparties sur des serveurs différents. L’assistant permet également de créer un package SSIS qui pourra être exécuté ultérieurement. Afin de lancer l’assistant, dans BI Studio vous pouvez exécuter la séquence suivante : Démarrer le programme : Programmes/SQL server 2005/SQL Server business intelligence Developpement Studio. Appeler le menu. Fichier/Nouveau/Projet/Projet Integration Services.

Figure 6.1 — Nommer le projet

SSIS détermine un emplacement par défaut pour le projet. Cet emplacement est naturellement modifiable. La validation du projet entraine la création du projet.

6.1 Utiliser l’assistant pour générer un lot import

—————————————————————————————————————————————

147

Figure 6.2 — Assistant Projet d’Importation/Exportation SQL Server

Pour notre exemple, choisissons deux sources de données au format différent. La source de données Produits sera puisée dans une base Comptoir d’Access. La source de données Clients sera puisée dans un tableau Excel. Ces deux tables

Figure 6.3 — La table source Produits stockée dans Microsoft Access

148

————————————————————————————————————————————————————————————————

6. Règles d’ETL et assistants

dimensionnelles seront stockées dans l’entrepôt de données grâce à notre procédure d’import. Afin de simplifier, nous faisons l’hypothèse que les tables Clients et Produits sont recréées à chaque transfert. Voici l’affichage de la table Produits dans Access (figure 6.3). Choisissons la source de données Access et la base Comptoir.mbd (figure 6.4).

Figure 6.4 — Définition de la source de données

Choisissons la destination SQL Native Client sur le serveur local (figure 6.5).

Figure 6.5 — Définition de la base de données destination

Voici l’affichage de la table Customers dans Excel. Choisissons la source de données Excel et le fichier Customers.xls. L’assistant demande de spécifier les données sources à transférer (tables ou vues/requêtes). Faisons le choix de Copier les données à partir d’une ou plusieurs tables ou vues plutôt que d’écrire une requête.

6.1 Utiliser l’assistant pour générer un lot import

—————————————————————————————————————————————

149

Figure 6.6 — Fichier Customers stocké dans une feuille Excel

Parmi la liste des sources disponibles dans Access, sélectionnons la table Produits (figure 6.7).

Figure 6.7 — Cet écran permet de sélectionner les tables ou requêtes en provenance de la source de données

150

————————————————————————————————————————————————————————————————

6. Règles d’ETL et assistants

Par défaut, la table de destination porte le nom de la table en entrée. Celuici est naturellement modifiable.

Figure 6.8 — Cet écran montre la phase de création de la table Produits dans la base de destination

La figure 6.8 montre la mise en correspondance des colonnes source et de destination. Le nommage des champs de destination et leur type sont déduits des attributs des colonnes source. Le bouton Modifier SQL… permet de contrôler l’action effectuée par l’assistant. CREATE TABLE [AdventureWorksDW].[dbo].[Produits] ( [Réf produit] int NOT NULL, [Nom du produit] nvarchar(40) NOT NULL, [N° fournisseur] int, [Code catégorie] int, [Quantité par unité] nvarchar(30), [Prix unitaire] money, [Unités en stock] smallint, [Unités commandées] smallint, [Niveau de réapprovisionnement] smallint, [Indisponible] bit NOT NULL )

À ce stade, il est possible d’afficher le contenu de la table source grâce au bouton Aperçu.

6.1 Utiliser l’assistant pour générer un lot import

—————————————————————————————————————————————

151

L’assistant récapitule l’action qu’il va entreprendre. Cliquez sur Terminer pour effectuer les actions suivantes : • Copier les lignes de Produits vers [AdventureWorksDW].[dbo].[Produits]. La table cible sera supprimée puis recréée. • Le package sera enregistré dans le fichier de package « C :\Documents and Settings\Administrateur\Mes documents\Visual Studio 2005\Projects\Projet Import de données\Projet Import de données\Package1.dtsx ». Le package ne sera pas exécuté immédiatement. L’assistant termine sa tâche en créant les tâches nécessaires à l’exécution du lot.

Figure 6.9 — Le rapport d’exécution de l’assistant Importation et Exportation

Après cette exécution, l’assistant crée le nouvel environnement du projet dans Visual Studio. Quelles tâches ont été créées par l’assistant ? • deux connexions (une connexion pour la source des données et une pour leur destination); • trois tâches de flux de contrôle : – tâche de suppression de la table Produits : drop table [AdventureWorksDW].[dbo].[Produits] GO

152

————————————————————————————————————————————————————————————————

6. Règles d’ETL et assistants

Figure 6.10 — Un package est automatiquement créé

– tâche de création de table Produits (nommée Tâche SQL de préparation dans la figure 6.10) : CREATE TABLE [AdventureWorksDW].[dbo].[Produits] ( [Réf produit] int NOT NULL, [Nom du produit] nvarchar(40) NOT NULL, [N° fournisseur] int, [Code catégorie] int, [Quantité par unité] nvarchar(30), [Prix unitaire] money, [Unités en stock] smallint, [Unités commandées] smallint, [Niveau de réapprovisionnement] smallint, [Indisponible] bit NOT NULL ) GO

– tâche de flux de données, elle-même composée d’un ensemble de soustâches développées dans l’onglet Flux de données (figure 6.11). La figure 6.12 détaille la source de données Produits et montre les colonnes externes constitutives de la source OLE DB (Access). L’opérateur a la capacité de ne sélectionner que certaines d’entre elles et ou de renommer les champs en sortie.

6.1 Utiliser l’assistant pour générer un lot import

—————————————————————————————————————————————

Figure 6.11 — L’onglet Flux de données est composé d’une source de données et d’une destination

Figure 6.12 — L’éditeur de source OLE présente les colonnes sources

153

154

————————————————————————————————————————————————————————————————

6. Règles d’ETL et assistants

Figure 6.13 — Éditeur de destination OLE DB

La fonction mappage de l’éditeur de destination OLE DB permet de relier les champs sources avec les champs de la table de destination. Dans la figure 6.13 on observe un mappage des champs de la table Produits d’Access avec les champs de la table Produits de AdventureWorksDW. Les champs qui portent des noms identiques sont mappés automatiquement. Il conviendra au développeur de s’assurer que les types des champs source et destination sont compatibles entre eux.

6.1.2 Exécuter le lot L’exécution du package est lancée à l’aide de la touche F5 ou Déboguer/Démarrer le débogage. L’exécution du package est lancée. La progression est vérifiée à l’aide de couleurs différentes que prend successivement chaque tâche. La couleur jaune indique que la tâche est active. La couleur verte indique que la tâche a été réalisée avec succès. La couleur rouge indique que la tâche a été mise en échec.

6.1 Utiliser l’assistant pour générer un lot import

—————————————————————————————————————————————

155

Dans notre exemple, lors de la première exécution, la première tâche (tâche de suppression de table) est mise en échec puisque la table n’existe pas dans la base de destination. Les autres tâches sont exécutées avec succès. L’onglet Résultat d’exécution permet de connaitre le déroulement du lot, le temps passé pour chacune des tâches et le résultat de leur exécution.

Figure 6.14 — Onglet résultat d’exécution

À l’issue du traitement, ne pas oublier de stopper le mode débogage.

6.1.3 Modifier le lot Nous allons apporter une modification à notre lot en y ajoutant le transfert de données en provenance d’une table Excel. Il s’agit de la table Clients. La table Clients doit exister dans la base AdventureWorks avant de procéder au transfert depuis Excel. À ce stade, nous avons la possibilité de coder à la main la procédure de suppression de la table Clients suivie de sa création. Une façon simple de générer un code parfait est de procéder à l’import du fichier Excel dans la base AdventureWorksDW puis d’utiliser l’assistant de génération de scripts de table.

156

————————————————————————————————————————————————————————————————

6. Règles d’ETL et assistants

À l’aide de SQL server Management studio, nous allons effectuer un import du fichier Excel afin de créer la table dans la base AdventureWorks. À l’aide d’un clic droit sur la base AdventureWorks Tâches/Importer les données. Puis on utilise l’assistant pour importer les données Excel. Ensuite nous utilisons l’utilitaire qui permet de générer le code T-SQL de création de table. Dans Management Studio, on déplie la liste des tables (clic droit sur la table Clients).

Figure 6.15 — Management studio permet de générer des scripts SQL

Dans la figure ci-dessus l’assistant de management studio (CREATE to) crée un script SQL de création de la table Clients. Clic droit sur la table Clients puis Générer un script de la table en tant que/ CREATE To/nouvelle fenêtre de l’éditeur de requête. USE [AdventureWorksDW] GO /****** Objet : Table [dbo].[Clients] SET ANSI_NULLS ON GO

6.1 Utiliser l’assistant pour générer un lot import

—————————————————————————————————————————————

157

SET QUOTED_IDENTIFIER ON GO CREATE TABLE [dbo].[Clients]( [FirstName] [nvarchar](255) COLLATE SQL_Latin1_General_CP1_CI_AS NULL, [MiddleInitial] [nvarchar](255) COLLATE SQL_Latin1_General_CP1_CI_AS NULL, [LastName] [nvarchar](255) COLLATE SQL_Latin1_General_CP1_CI_AS NULL, [BirthDate] [datetime] NULL, [MaritalStatus] [nvarchar](255) COLLATE SQL_Latin1_General_CP1_CI_AS NULL, [Gender] [nvarchar](255) COLLATE SQL_Latin1_General_CP1_CI_AS NULL, [EmailAddress] [nvarchar](255) COLLATE SQL_Latin1_General_CP1_CI_AS NULL, [YearlyIncome] [float] NULL, [TotalChildren] [float] NULL, [NumberChildrenAtHome] [float] NULL, [Education] [nvarchar](255) COLLATE SQL_Latin1_General_CP1_CI_AS NULL, [Occupation] [nvarchar](255) COLLATE SQL_Latin1_General_CP1_CI_AS NULL, [HouseOwnerFlag] [float] NULL, [NumberCarsOwned] [float] NULL, [AddressLine1] [nvarchar](255) COLLATE SQL_Latin1_General_CP1_CI_AS NULL, [AddressLine2] [nvarchar](255) COLLATE SQL_Latin1_General_CP1_CI_AS NULL, [City] [nvarchar](255) COLLATE SQL_Latin1_General_CP1_CI_AS NULL, [State] [nvarchar](255) COLLATE SQL_Latin1_General_CP1_CI_AS NULL, [ZIP] [float] NULL, [Phone] [nvarchar](255) COLLATE SQL_Latin1_General_CP1_CI_AS NULL ) ON [PRIMARY]

Nous avons également besoin de supprimer la table avant sa création. Voici le code généré par l’assistant : USE [AdventureWorksDW] GO /****** Objet : Table [dbo].[Clients]Date de génération du script : 05/27/2006 20:59:59 ******/ IF EXISTS (SELECT * FROM sys.objects WHERE object_id = OBJECT_ID(N’[dbo].[Clients]’) AND type in (N’U’)) DROP TABLE [dbo].[Clients]

Revenons dans notre projet d’import des données dans Visual Studio. Dans l’onglet Flux de données, glissons à deux reprises une tâche d’exécution de requête SQL. La première consiste à effectuer un DROP de la table Clients.

158

————————————————————————————————————————————————————————————————

6. Règles d’ETL et assistants

Figure 6.16 — Ajouter la connexion puis le code qui permet de supprimer la table Clients

Figure 6.17 — Ajouter la connexion puis la requête SQL générée dans SQL Server Management Studio

6.1 Utiliser l’assistant pour générer un lot import

—————————————————————————————————————————————

159

Compléter la connexion puis le code SQL par un copier-coller en provenance du résultat du query de SQL Server Management Studio. Reliez les tâches entre elles à l’aide des flèches comme précisé dans la figure 6.18.

Figure 6.18 — Se positionner dans l’onglet Flux de données et faire apparaître la boîte d’outils à gauche (Affichage/Boîte d’outils)

Depuis les sources de flux de données, faire glisser la source Excel sur l’onglet Flux de données, puis double-cliquez sur la tâche Source Excel. Figure 6.19 — La source Excel est créée. Le signe « stop » à droite indique que le fichier source n’est pas précisé. Le gestionnaire de connexion Excel s’ouvre. Une nouvelle connexion doit être créée vers le fichier source Excel

Figure 6.20 — Le gestionnaire de connexion Excel permet d’établir un lien avec le fichier Customers.xls

160

————————————————————————————————————————————————————————————————

6. Règles d’ETL et assistants

Dans le gestionnaire de connexion OLE DB, choisir Gestionnaire de connexions Excel. Dans le champ mode d’accès aux données, choisir Table ou Vue. Dans le champ nom de la feuille Excel, choisir Customers$. Le gestionnaire de connexion fait immédiatement apparaître la nouvelle connexion Excel. Par un glisser-déplacer depuis la barre d’outils, créons maintenant la destination OLE DB. Compléter le gestionnaire de connexion OLE DB puis indiquer le nom de la table réceptrice [dbo].[Clients]. Nous relions maintenant les deux tâches à l’aide de la flèche verte. Le mappage des champs se réalise automatiquement. Renommez les tâches afin de les rendre plus compréhensibles. L’onglet Flux de données doit ressembler à l’écran de la figure 6.21.

Figure 6.21 — Onglet Flux de données

Sauvegardez tous les fichiers puis exécutez le lot par la touche F5. Les tâches se déroulent en parallèle. Stoppez le débogage après exécution. Prenez la précaution de contrôler le contenu des deux tables Clients et Produits à l’aide de Management Studio. Faire un clic droit sur le nom de la table puis ouvrir la table. Observez le contenu de la table et le nombre d’enregistrements situé en bas de page. Ajoutons à présent une tâche d’envoi de courriel à l’administrateur afin d’être prévenu en cas d’achèvement sans échec ou en cas d’échec. Dans l’onglet Flux de contrôle, ajoutons deux tâches « Envoyer un message ». Créez une connexion SMTP pour l’envoi de courriel (figure 6.22).

6.1 Utiliser l’assistant pour générer un lot import

—————————————————————————————————————————————

161

Figure 6.22 — Éditeur du gestionnaire de connexion FTP

Configurez les propriétés pour le message électronique (figure 6.23).

Figure 6.23 — Éditeur de tâche d’envoi de mail

L’éditeur de tâche d’envoi de message électronique permet de préciser le serveur SMTP d’envoi de mail. Il permet de préciser le ou les destinataires du mail. Les pièces jointes peuvent être des fichiers d’anomalies générés lors de l’exécution du package ou tout autre fichier. Les variables systèmes ou utilisateurs peuvent être introduites dans le corps du texte rendant ainsi les messages dynamiques.

162

————————————————————————————————————————————————————————————————

6. Règles d’ETL et assistants

Relier les tâches entre elles à l’aide des flèches vertes. Double-cliquez sur la flèche afin de paramétrer des contraintes en cas d’échec de l’opération ou en cas de succès.

Figure 6.24 — L’envoi de message est fonction de l’exécution avec ou sans échec de la tâche de flux de données

Il est possible de traiter le lot complet.

Figure 6.25 — L’onglet gestionnaire d’événements permet d’effectuer des tâches en fonction d’événements lors de l’exécution du lot

6.1 Utiliser l’assistant pour générer un lot import

—————————————————————————————————————————————

163

6.1.4 Migration de lots DTS de la version 2000 vers 2005 Nous l’avons vu, SSIS comprend toutes les fonctionnalités de DTS 2000 et bien plus. Cependant, la migration de certaines fonctionnalités en provenance de DTS 2000 ne se fait pas. C’est les cas notamment des paramètres gérés par DTS et de façon totalement différente avec SSIS. C’est pour cette raison que SSIS permet d’exécuter des lots DTS 2000 sans aucune migration. Lorsque SSIS doit exécuter DTS 2000, il est nécessaire qu’une instance de SQL Server 2000 soit disponible sur un serveur ou que SQL server 2000 DTS Run-time soit installé sur la machine exécutant SSIS. Si les lots doivent être modifiés, il est nécessaire que SQL Server 2000 Enterprise Manager soit installé. SSIS permet d’instancier DTS 2000 comme une tâche exécutable. SSIS dispose d’un assistant de migration pour la conversion des lots DTS en lots SSIS 2005. Les éléments de DTS sont convertis en tâches SSIS. Chaque élément qui ne peut être converti est placé dans un nouveau package DTS puis appelé par SSIS. La migration des lots DTS se fait grâce à un assistant de SQL Server BI Studio. Ouvrez ou créez un projet de type Integration services. L’assistant va vous permettre de migrer un package DTS 2000 au travers des étapes qui suivent.

Projet/Migrer un package DTS 2000/

Figure 6.26 — Assistant migration de package

164

————————————————————————————————————————————————————————————————

6. Règles d’ETL et assistants

Préciser le nom du Serveur SQL 2000 renfermant le lot DTS.

Figure 6.27 — Selectionner le serveur qui renferme le lot DTS

Choisir la destination.

Figure 6.28 — Sélectionner le serveur qui renferme la base de destination

6.1 Utiliser l’assistant pour générer un lot import

—————————————————————————————————————————————

Figure 6.29 — Choisir le lots DTS 2000 à migrer vers 2005

Figure 6.30 — L’assistant demande de préciser un fichier journal dans lequel il va stocker le déroulement des étapes de migration

Cliquez sur Terminer pour mettre fin aux opérations suivantes : • Migrer le package vers SQL Server Integration Services.

165

166

————————————————————————————————————————————————————————————————

6. Règles d’ETL et assistants

Figure 6.31 — Formulaire de synthèse des actions menées par l’assistant

Les options suivantes ont été sélectionnées : • Source à partir de laquelle les packages sont migrés : – Type de source = Microsoft SQL Server. – Nom de la source = SERVEURDELL. • Destination où doivent être stockés les packages migrés : – Type de la destination = Microsoft SQL Server. – Nom de la destination = (local). • Le nom du fichier journal est C :\Documents and Settings\Administrateur\DTSlogBB.log. Les packages suivants seront migrés : EssaiDTS À EssaiDTS. • Nombre total de packages à l’emplacement source = 1. • Nombre de packages qui seront à migrer = 1. • Nombre de packages qui ne seront pas migrés = 0.

6.1 Utiliser l’assistant pour générer un lot import

—————————————————————————————————————————————

167

• Les paramètres attachés aux lots DTS 2000 ne sont pas récupérés par SQL Server 2005.

6.1.5 Déploiement de packages SSIS Le processus de déploiement de package se déroule en deux étapes : • 1. La première étape consiste à créer le projet Integration Services afin de créer un utilitaire de déploiement de package. • 2. La seconde étape consiste à copier le dossier de déploiement créé en même temps que le projet Integration Services sur l’ordinateur cible, puis à exécuter l’Assistant Installation de package pour installer les packages. Créer l’utilitaire de déploiement Pour accéder aux propriétés d’un projet Integration Services, cliquez avec le bouton droit sur le nom du projet, puis cliquez sur Propriétés. Passer à True la variable CreateDeploymentUtility. Puis OK.

Figure 6.32 — L’attribut CreateDeployementUtility doit être à True

Lorsque vous générez un projet Integration Services, un fichier manifeste, .SSISDeploymentManifest.xml et des copies des packages du projet et des dépendances de package sont créés et ajoutés dans le dossier bin\Deployment dans le projet ou à l’emplacement spécifié dans la propriété

168

————————————————————————————————————————————————————————————————

6. Règles d’ETL et assistants

DeploymentOutputPath. Le fichier manifeste répertorie les packages, les configurations de package et tous les divers autres fichiers du projet. Installation du déploiement L installation du déploiement permet de stocker le package sur le serveur Integration services. L’Assistant Installation de package vous accompagne dans le processus d’installation des packages sur le système de fichiers et sur SQL Server. Clic droit sur .SSISDeploymentManifest. puis deploy.

Figure 6.33 — Ouvrir l’assistant de déploiement de package

Figure 6.34 — L’assistant permet de déployer des packages SSIS soit sous forme de systèmes de fichiers XML ou dans SQL Server

6.1 Utiliser l’assistant pour générer un lot import

—————————————————————————————————————————————

169

Figure 6.35 L’assistant permet de sélectionner un dossier d’installation

Conserver le dossier par défaut puis Suivant deux fois. Vous pouvez vérifier la bonne installation du package en vous connectant au serveur Integration services. Dans File System retrouvez votre projet puis exécutez le package. Lorsque le package est opérationnel dans le serveur Integration Services vous pouvez en planifier l’exécution.

6.1.6 Automatisation de l’exécution des packages L’automatisation de l’exécution de packages permet de planifier tous types de tâches et en particulier des tâches quotidiennes d’alimentation de l’entrepôt de données. Les administrateurs pourront utiliser cette facilité pour exécuter des tâches de sauvegardes, ou de ré indexation des bases opérationnelles. Dans Management studio Démarrer le service SQL Server Agent. Ce service peut être démarré automatiquement lors du démarrage de SQL server. SQL server Agent peut être démarré manuellement lors de la connexion au moteur de base de données SQL server. Clic droit sur SQL server Agent puis démarrer. Ouvrir SQL server Agent.

170

————————————————————————————————————————————————————————————————

6. Règles d’ETL et assistants

Clic droit sur Travaux.

Figure 6.36 — L’assistant permet de créer un nouveau travail

Lors de l’exécution d’un travail de l’agent SQL préciser qu’il s’agit d’un package SQL Server Integration services et que la source de fichiers est Système de fichiers (pour les packages au format XML). Vous devez également fournir l’emplacement du package déployé précédemment sur le serveur SSIS. Avant de planifier l’exécution du package vous pouvez le tester dans son environnement de production (Clic droit puis exécuter le package). Ci-dessus nous avons programmé une exécution du package leçon 1.dtsx toutes les nuits du lundi au vendredi à 0 h 00. Le moniteur d’activité des travaux de SQL server Agent permet de suivre l’exécution des travaux et leur traçabilité. Vous pouvez également consulter la visionneuse du fichier journal.

6.2 Concept de packages dynamiques

——————————————————————————————————————————————————————

171

Figure 6.37 — Interface du planificateur de tâches intégré à SQL Agent

6.2 CONCEPT DE PACKAGES DYNAMIQUES Il existe un grand nombre d’outils visant à modifier les tâches qu’un package (lot) peut exécuter. Pour ce faire, SSIS dispose d’un jeu de variables et d’expressions utilisées dans le flux de contrôle et les transformations des flux de données. Les configurations ont pour but de modifier l’environnement de travail d’un package SSIS (par exemple, changement de serveur et des sources de données lors de la mise en production).

6.2.1 Les expressions SSIS intègre un langage permettant de spécifier les transformations dans les flux de données. La plupart des expressions ont une syntaxe relativement simple telle que A + B ou A >= B, ou une fonction de type GetDate(). On trouve de telles expressions dans des transformations du flux de données de type éclatement conditionnel des tables ou colonnes dérivées. Les expressions permettent de modifier le comportement d’un package en évaluant des expressions afin de modifier les propriétés lors de l’exécution.

172

————————————————————————————————————————————————————————————————

6. Règles d’ETL et assistants

Les identificateurs sont utilisés dans des expressions qui sont inconnues jusqu’à l’exécution du package. Les identifiants peuvent représenter des variables : • @Filename • @_LoopCounter • @PakageName Les identificateurs qui représentent des variables sont toujours précédés par le caractère @. Les fonctions mathématiques sont supportées par les expressions.

Exemple ABS(-1234)

fournit le résultat

234

ROUND(12.3456)

fournit le résultat

12.35

On retrouve également des fonctions sur les chaînes de caractères : TRIM(), UPPER(), SUBSTRING(), etc. Des fonctions portant sur les dates existent également : DATEDIFF(), DATEPART(), GETDATE(), MONTH (), YEAR(), etc.

6.2.2 Les variables

Figure 6.38 — L’onglet Variables liste toutes les variables (système et utilisateur) connues dans le package DimEmployee

6.2 Concept de packages dynamiques

——————————————————————————————————————————————————————

173

Les variables sont utilisées pour passer des informations entre les différentes parties d’un package. Elles peuvent être passées d’une tâche de transformation de données à un autre ou d’une tâche de contrôle vers le gestionnaire de connexion. C’est le cas par exemple lorsqu’une tâche a pour but de balayer tout un répertoire afin de traiter tour à tour chacun des fichiers qui le compose. La tâche recueille donc chaque fichier puis passe dans une variable, au gestionnaire de connexion, le nom du fichier en cours de traitement.

Figure 6.39 — Tableau des variables utilisateur. Les noms de variables sont sensibles à la casse (majuscules et minuscules doivent être respectées)

Figure 6.40 — Tâche de requête SQL

174

————————————————————————————————————————————————————————————————

6. Règles d’ETL et assistants

Figure 6.41 — Mappage des paramètres entre les variables système et les paramètres

Les variables peuvent être créées grâce au bouton d’ajout de variable. Les noms de variables et leur type doivent être fournis lors de la création. Il est possible également d’allouer une valeur initiale. Afin de préserver les performances de SSIS lors de l’exécution, les variables sont fortement typées. L’étendue de la variable définit la visibilité de celle-ci dans le package. La tâche d’exécution SQL de la figure 6.40 est développée ci-dessous. Cette requête permet d’insérer des lignes dans la table AuditPkgExecution tout en recueillant les valeurs à partir de variables alimentées au cours de l’exécution du package. Dans la figure 6.41 les variables système et utilisateurs sont transférées aux paramètres. A leur tour, ces paramètres (dont le nom commençe par le signe @) sont transmis dans la requête SQL (voir requête ci-dessous). Cet exemple montre comment il est possible d’auditer les tâches qui s’exécutent dans un package. Dans l’exemple ci-dessus on conserve la trace des traitements dans une table de l’entrepôt de données(AuditPkgExecution) recevant les variables système ou utilisateur, en particulier le nom du package lancé et la date de début de l’exécution. Voici la requête correspondant à la tâche Get PkgExecKey. INSERT INTO AuditPkgExecution (PkgName, PkgGUID, PkgVersionGUID, PkgVersionMajor, PkgVersionMinor, ExecStartDT, ParentPkgExecKey) Values (@PkgName, @PkgGUID, @PkgVersionGUID, @PkgVersionMajor, @PkgVersionMinor, @ExecStartDT, @ParentPkgExecKey)

6.2.3 Les configurations La technique des configurations répond à un besoin d’adaptation à divers environnements d’exploitation. Les valeurs prises par défaut peuvent être modifiées dynamiquement lors de l’exécution du package. L’application d’un fichier de

6.2 Concept de packages dynamiques

——————————————————————————————————————————————————————

175

configuration permet d’initialiser des variables. Un des points majeurs du système de configuration consiste à modifier dynamiquement les connexions aux serveurs sans modifier le contenu du package. Plusieurs packages peuvent utiliser le même fichier de configuration. Il est également possible de définir l’ordre dans lequel les fichiers de configuration doivent s’appliquer. SSIS peut charger les configurations à partir de plusieurs types de source : SQL Server, un fichier XML, une variable d’un package parent, une variable d’environnement de Windows ou une entrée du registre. Le lancement du gestionnaire de configuration s’effectue à partir du menu disponible; choisir Gestionnaire de configurations comme indiqué dans la figure 6.37.

Figure 6.42 — SSIS permet de créer un fichier de paramètres grâce au gestionnaire de configurations

L’exécution d’un package SSIS s’effectue généralement grâce aux commandes DTExecUI ou DTExec. Dans la ligne de commande, il est possible de fournir le nom du fichier de configuration à exécuter.

Figure 6.43 — Fichier de configuration au format XML

Dans le fichier XML de la figure 6.43 le nom du répertoire a été passé en paramètres entre les balises ConfiguredValue.

176

————————————————————————————————————————————————————————————————

6. Règles d’ETL et assistants

6.2.4 La gestion des événements Le gestionnaire d’événement permet entre autres de contrôler l’état de fonctionnement d’un serveur ou d’envoyer un e-mail à l’administrateur lorsqu’une erreur survient dans l’exécution d’un package. On trouve des événements de type OnError, OnPreExecute, OnPostExecute, etc. Par exemple un événement OnError permet de déclencher la restauration d’une base en cas d’anomalie lors du déroulement.

6.3 PLANIFICATION DU PROJET ETL 6.3.1 La carte de haut niveau La connaissance des outils de base, exposés dans les précédents paragraphes, permet de mieux comprendre les mécanismes de SSIS et ainsi de définir un schéma de haut niveau permettant le dialogue entre utilisateurs métier et développeurs. • Définir une carte des tâches à un niveau élevé. • Déployer une copie du système et travailler sur la copie. • Découvrir des données grâce à des outils simples de requêtage (Access en lien ODBC vers SQL Server). Cette démarche permet de découvrir les différents domaines à traiter, les relations entre les données et la qualité des données. • Détailler sous forme synthétique (tableau Excel) les tables source et les tables de destination en effectuant un « mappage » des données et leur transformation. • Déterminer la fréquence de chargement de chaque table (dimensions et faits). • Déterminer les données historiques de chaque table pour le premier chargement. • Déterminer une stratégie de partitionnement des tables de faits aussi bien dans le modèle relationnel du datawarehouse que dans le modèle OLAP. • Définir une stratégie d’extraction des données pour chaque source système. • Supprimer les doublons par des algorithmes adaptés. Sur le site de l’auteur – www.buroformatic.com – vous pourrez télécharger des modèles permettant de représenter les grandes tâches qui participent à la construction du schéma ETL.

6.4 Les 38 règles qui régissent l’ETL

————————————————————————————————————————————————————————

177

6.4 LES 38 RÈGLES QUI RÉGISSENT L’ETL Afin de créer et de réussir la mise en œuvre d’un entrepôt de données, Ralph Kimball a énoncé trente-huit règles qui participent au processus d’extraction, de transformation et de chargement. Le processus d’ETL consomme environ 70 % du temps et de l’effort de construction d’un datawarehouse. On peut retrouver ces règles sur le site http://www.intelligententerprise.com/showArticle.jhtml?articleID=54200319. Par chance, SQL Server Integration Services et Analysis Services fournissent un certain nombre d’assistants qui participent naturellement à la mise en place d’un grand nombre de ces règles.

7 Analysis Services

SQL Server Analysis Services (SSAS) est une plate-forme de développement et d’administration permettant de créer des applications OLAP (On Line Analytical Processing) et de data mining (fouille de données). Cette plate-forme est naturellement incluse dans SQL Server 2005 et a pour but d’aider les utilisateurs à analyser les données historiques et à découvrir des corrélations ou des modèles de comportement entre les données. Côté client, un outil de requêtage et de filtrage doit être installé (Excel ou tout autre outil tiers : Proclarity, Panorama, Powerplay, Crystal, etc.). Côté serveur, Analysis Services doit être installé et correctement paramétré au niveau de la sécurité afin d’autoriser l’accès aux données selon le profil des utilisateurs. Le composant central de l’infrastructure OLAP est le cube multidimensionnel. Il s’agit d’une base de données spécialement conçue pour permettre un accès immédiat aux données d’entreprise stockées dans les entrepôts de données. Analysis Services est indépendant des sources de données de même que Integration services et Reporting Services. Par exemple, une entreprise utilisera Analysis Services dans le but de créer des cubes à partir de données stockées dans des bases telles qu’Oracle, DB2 d’IBM, SQL Server, Access ou autres bases compatibles ODBC et OLE DB. Enchaînement des données en business intelligence Dans la figure 7.1, on observe le positionnement de la brique Analysis Services dans le cheminement habituel des données, depuis les sources opérationnelles (à gauche) jusqu’à la restitution via Excel (à droite).

180

———————————————————————————————————————————————————————————————————————

7. Analysis Services

Figure 7.1 — Analysis Services dans la chaîne décisionnelle

Bien que non obligatoire pour la création des cubes OLAP, l’étape de création du datawarehouse est fortement conseillée. Une plate-forme de développement flexible Comparée à la version 2000, Analysis Services 2005 offre aux développeurs en entreprise et intégrateurs plus de flexibilité dans la modélisation des cubes et les sources de données. Cette plate-forme propose en effet de nouveaux outils de création de cubes ainsi que huit nouveaux algorithmes de data mining. Ces améliorations aident les développeurs à délivrer des solutions plus complètes tout en réduisant le temps nécessaire au développement et au déploiement.

7.1 OLAP ET LE DATA MINING OLAP (On line Analytical Processing) et le data mining (fouille de données) font partie des technologies que les managers utilisent pour rassembler, stocker, interroger et analyser des données historiques. Ces technologies font partie des outils d’aide à la décision. Les applications OLAP sont généralement utilisées pour fournir des réponses aux questions relatives aux performances de l’entreprise. Par exemple, une chaîne de distribution utilisera un cube décisionnel afin d’élaborer des graphiques des ventes pour un grand nombre de lignes de produits croisés avec des régions et des périodes de temps afin de pouvoir par exemple répondre

7.1 OLAP et le data mining

————————————————————————————————————————————————————————————————

181

à la question : « Quels sont les ventes réalisées en quantité et valeur par point de vente pour chaque collection d’ouvrages ? ». S’il le désire, l’analyste peut simplement ajouter un critère supplémentaire afin d’obtenir le même tableau en comparant 2004 avec 2005 en cumul depuis le début de l’année. Le data mining en revanche, utilise des algorithmes de reconnaissance de modèles afin de détecter des comportements particuliers, des corrélations ou des tendances dans les données. Une fois détectés, ces modèles et tendances sont utilisés à des fins de prédiction dans le cadre de processus d’affaires telles que prévisions des ventes, segmentation de populations d’individus aux comportements similaires. Ces techniques sont également utilisées afin de mettre en place des systèmes de ventes additionnelles (up-sell) ou ventes croisées (cross-sell). Les cubes OLAP et les techniques de data mining sont basées sur des données collectées et agrégées au sein des entrepôts de données. Rappelons que la finalité d’un entrepôt de données (datawarehouse) est de stocker et historiser des volumes importants de données. Ce processus a été illustré au chapitre précédent grâce à SSIS. Nous l’avons vu, les entrepôts de données sont alimentés grâce à des outils ETL (Extract, Transform, and Load). Ces outils ont pour vocation d’extraire et de structurer les données en provenance des bases de données opérationnelles dites OLTP (On Line Transactional Processing). La phase d’ETL réalise également un nettoyage des données suivi généralement d’une phase d’agrégation au sein des entrepôts. À leur tour, ces données agrégées font l’objet d’une alimentation dans des bases de données multidimensionnelles appelées cubes OLAP. Un cube est défini par un certain nombre de dimensions ou axes d’observation. Au croisement de ces dimensions se trouvent des mesures ou indicateurs. En général, le cube permet des analyses ad hoc et des requêtes dynamiques ayant un caractère naturel et intuitif. Les utilisateurs accèdent aux cubes OLAP grâce à des outils d’analyse offrant ainsi la capacité de réaliser à la volée des tableaux de synthèse et rapports graphiques. La structure hiérarchisée des dimensions permet une analyse en profondeur des données grâce à la technique du drill down et du roll-up. Ces techniques permettent un forage progressif des données en passant du niveau le plus élevé au niveau de détail le plus fin (drill down) ou selon un cheminement inversé (drill up). Par exemple, un utilisateur peut effectuer un drill down sur la dimension temporelle afin de visualiser des indicateurs de ventes ou de revenus par année, puis par trimestre, par mois et enfin par jour. Il sera alors aisé de déceler des variations saisonnières ou des tendances à partir des graphes dynamiques générés automatiquement. De la même manière, un chef de ventes sera capable d’analyser, pour

———————————————————————————————————————————————————————————————————————

7. Analysis Services

un produit donné, les ventes effectuées la veille par point de vente puis d’agréger rapidement les données au niveau semaine, mois, trimestre ou année (drill up). Les technologies OLAP, par leur aspect dynamique, et synthétique complètent les outils de reporting tels que Reporting Services (inclus dans SQL Server 2005). Les outils de reporting sont généralement utilisés afin de fournir des vues statiques au travers de rapports instantanés à partir des données de l’entrepôt. À la différence des outils de requêtage OLAP, les fonctions de forage dynamique et de changement d’axes à la demande y sont absentes. L’exemple de la figure 7.2 montre la structure du cube faisant apparaître les trois dimensions ou axes d’analyse : dimension Produits, dimension Région, dimension Temps. La mesure analysée au croisement des trois axes est l’indicateur de volume en valeur.

Le cube et sa représentation multidimensionnelle

Quel a été le volume de commande ■ Pour le Produit veste ■ Dans la région ouest… ■ Pour le mois de mars…

9 000 € Mars Fevr. Janvier

Est

Régions

182

Ouest

Nord

Sud

Chaussure

Bonnet

Veste

Produit

Figure 7.2 — Le cube et sa représentation multidimensionnelle (source : Microsoft)

Dans cet exemple, l’outil de restitution du cube est le tableau croisé dynamique d’Excel. On observe l’indicateur de volume du chiffre d’affaires (9 000 €) réalisé sur les ventes des vestes pour la région Ouest et pour le mois de mars. On verra lors de l’étude des outils de restitution que cette analyse ne prend que quelques secondes au manager opérationnel ou au contrôleur de gestion doté de son outil favori : Excel.

7.2 Points d’amélioration entre Analysis 2000 et SSAS 2005

———————————————————————————————————

183

7.2 POINTS D’AMÉLIORATION ENTRE ANALYSIS 2000 ET SSAS 2005 Passons rapidement en revue les fonctionnalités de SSAS aussi bien dans le domaine du développement d’application que de l’administration du référentiel. UDM (Unified Dimensional Model) combine en un seul référentiel les caractéristiques des modèles multidimensionnels (DW) et relationnels (ERP). Le cache proactif permet une alimentation des cubes en quasi temps réel à chaque modification des données dans le système de données opérationnelles. Les KPI (indicateurs clés de performance) sont un nouveau mécanisme qui permet de définir des indicateurs métiers basés sur des valeurs d’objectif, d’écart et de tendance. La notion de feu tricolore est une illustration assez courante de ces KPI. Nous aurons l’occasion de traiter ce sujet dans le chapitre sur la restitution des données. Les translations présentent un mécanisme de traduction multilingue du référentiel de données (metadata). Cette fonctionnalité permet aux développeurs de créer un unique référentiel et aux utilisateurs de créer des analyses dans leur propre langue. Les scripts MDX sont des nouveaux mécanismes utilisés pour la définition des membres calculés, des ensembles nommés et des cellules calculées. La syntaxe est simplifiée et améliorée. Les scripts peuvent être débogués ligne à ligne. Les procédures stockées de SSAS permettent de créer des routines en langage de programmation CLR (Common Langage Runtime) tels que C ou VB. Les fonctions de writeback (écriture dans le cube) ont été améliorées puisqu’il est désormais possible d’écrire dans des cellules agrégées (et non pas uniquement au niveau de granularité le plus bas). De nouveaux outils et assistants permettent se simplifier la création de : • mesures semi-additives; • dimensions temporelles intelligentes; • de compte; • d’agrégations financières; • de conversions monétaires. Les vues des sources de données permettent de s’affranchir de la complexité des sources de données du SGBD source.

184

———————————————————————————————————————————————————————————————————————

7. Analysis Services

Le nouveau langage de définition des données (DDL dans SSAS 2000) est maintenant au format XML. XML/A (XML for Analysis) est le nouveau protocole qui assure la communication avec le serveur Analysis. Ainsi, de nouvelles sortes d’applications sont rendues plus faciles à développer et permettent aux postes client d’accéder directement à des services web sans installation locale. Les calculs sont centralisés sur le serveur et non plus sur le poste client supprimant ainsi le cache client et l’amélioration des calculs complexes. Le nouvel environnement de développement d’applications est maintenant unifié dans business intelligence Development Studio. Le nouvel environnement d’administration est SQL Server Management Studio (Enterprise Manager dans la version SQL Server 2000). Un nouveau modèle d’autorisations d’accès a été redéfini. Les nouveaux rôles sont : • administrateur de serveur; • administrateur de base de données; • droits sur les objets de processus et de structure. Le modèle de sécurisation des objets SSAS a été redéfini : • sécurisation par objets de la base de données; • cryptage des cubes; • SSAS s’exécute avec le niveau le plus bas d’autorisation; • les communications entre le client et le serveur sont cryptées assurant un renforcement de la sécurité face à des techniques comme le sniffing ou le spoofing. La traçabilité des événements est maintenant possible grâce au gestionnaire de profil de SQL Server. Il existe un journal des audits d’accès aux données et aux applications. Un journal des erreurs est également disponible. L’amélioration des performances porte essentiellement sur le mode de restitution des cellules calculées. • les calculs effectués sur le serveur sont mis en cache; • l’optimiseur de requêtes redéfinit les requêtes clientes dans le but d’améliorer les performances; • les performances sur les réseaux étendus permettent des accès simultanés de plusieurs centaines d’utilisateurs.

7.2 Points d’amélioration entre Analysis 2000 et SSAS 2005

———————————————————————————————————

185

SQL Server Management Studio administre aussi bien les bases de données SQL Server que les bases Analysis.

Figure 7.3 — Interface présentant SSMS (SQL Server Management Studio)

Dans la figure 7.3, le volet de gauche fait apparaître les composants de SQL. On observe également le serveur Analysis Services avec ses composants UDM. La nouvelle console d’administration remplace en les regroupant Enterprise Manager et Analysis Manager de SQL Server 2000. Les requêtes SQL et MDX sont analysées dans le même outil. Le nouveau modèle objet AMO (Analysis Management Objects) remplace DSO. Pour des raisons de compatibilité, DSO est supporté.

186

———————————————————————————————————————————————————————————————————————

7. Analysis Services

Les dimensions et leurs attributs SSAS 2005 définit les dimensions des cubes grâce aux attributs des champs des tables dimensionnelles et également sur les hiérarchies comme cela était le cas dans AS 2000. En effet, dans AS 2000, une dimension était définie grâce à des structures hiérarchiques fortes comme année/mois/jour ou pays/région/ville. Il était possible de définir des dimensions virtuelles à partir des propriétés des membres. Cependant, les performances sur ce type de dimensions n’étaient pas au rendez-vous. Les développeurs ne déployaient que rarement ces dimensions et toujours sur des volumétries réduites. SSAS 2005 définit une dimension à partir de nombreux attributs, chacun d’entre eux servant à effectuer du slice (tranche de cube) et du filtrage des données. Chaque attribut peut participer à la définition de hiérarchies selon les relations entre les données. Les notions de hiérarchie naturelle continuent d’exister et devront être définies avec soin. Les performances qui résultent de ces hiérarchies sont améliorées. Dans l’exemple suivant considérons la dimension Client. La table qui renferme la source de données contient huit colonnes : Clé client, nom du client, âge, genre (masculin/féminin), e-mail, ville, région, pays. On observe une hiérarchie naturelle telle que (pays, région, ville, nom du client). Bien que moins naturel, on peut définir un second axe d’observation (âge, genre). Les avantages liés à cette nouvelle structure de dimensions sont les suivants : • Il n’est pas nécessaire de charger en mémoire les dimensions. Il en résulte qu’aucune limitation de taille n’est imposée pour une dimension donnée (certaines dimensions peuvent comporter des centaines de millions de membres). • Les attributs des hiérarchies peuvent être ajoutés ou supprimés sans « reprocesser » la dimension. Le cube reste donc disponible aux utilisateurs pendant la réindexation de la dimension. • Les dimensions dupliquées sont éliminées. Les dimensions sont plus compactes. • La performance du processus de construction des dimensions est améliorée et exploite naturellement le mécanisme de processus parallèle. Types de dimensions Analysis Services 2000 comporte deux types de dimensions : hiérarchique régulière et parent-enfant.

7.2 Points d’amélioration entre Analysis 2000 et SSAS 2005

———————————————————————————————————

187

Analysis Services 2005 offre de nouvelles structures de dimensions : • Rôles. Une dimension peut jouer plusieurs rôles en fonction du contexte. Par exemple la dimension Temps peut être utilisée indifféremment pour la date de commande et la date de livraison. Dans SSAS 2005, la dimension est stockée une seule fois mais aura une signification différente en fonction du contexte. • Dimension de fait. En réalité ce type de dimension est peu utilisé par Analysis puisqu’elle identifie un objet au niveau le plus fin. Elle prend toute son importance lors de l’identification des lignes détail qui participent au contenu d’une cellule agrégée. • Dimension de référence. Ce type de dimension n’est pas en rapport direct avec la table de faits. Par exemple une dimension géographie peut aussi bien s’appliquer à la dimension Client et à la dimension Équipe de vente. Les données de la dimension sont acquises à partir de tables externes et sont indépendantes de la table de faits. • Dimension de data mining. Les dimensions de type data mining résultent de modèles mathématiques tels que les arbres de décision, les règles d’association, les réseaux de neurones, les clusters, etc. Nous donnerons une liste exhaustive des différents algorithmes dans le chapitre consacré au data mining. • Dimension de type plusieurs à plusieurs. Ce type de dimension étend le schéma en étoile dans lequel il est habituel de constater qu’un champ de la table de faits est en relation avec un et un seul enregistrement de la table de dimension liée. Groupes de mesures et Perspectives SSAS 2005 introduit la notion de groupe de mesures et de perspectives afin de simplifier la création et le déploiement de base de données analytiques. Avec SSAS 2000, un cube était fondé sur une et une seule table de faits. Plusieurs cubes étaient nécessaires lorsque des analyses portaient sur plusieurs tables de faits. Le moyen pour rapprocher deux cubes était de constituer un cube virtuel. Ce dernier était en quelque sorte une vue synthétique basée sur une jointure de plusieurs cubes. Dans SSAS 2005, le développeur construit un seul cube. Le cube contient un ou plusieurs groupes de mesures. Un groupe de mesures est attaché à une et une seule table de faits. Le niveau de granularité de chaque groupe de mesures dépend de son intersection avec le niveau hiérarchique de chaque dimension. Du fait de la complexité croissante de la navigation dans le cube liée au nombre potentiellement important de mesures et dimensions, il a été mis en place

188

———————————————————————————————————————————————————————————————————————

7. Analysis Services

la technique des perspectives qui consiste à créer une vue représentant un sousensemble de mesures et dimensions. Des niveaux d’accès sécurisés peuvent être attribués à chaque perspective. Il résulte de cette nouvelle organisation de meilleures performances. Des mesures peuvent renfermer des cellules ayant des valeurs nulles (et non zéro). Calculs et analyses Une mesure est dite additive lorsqu’elle s’agrège quel que soit le niveau d’observation (exemple : le total des ventes pour tous les produits, tous les clients et tous les temps). Au contraire, une mesure semi-additive peut être additive pour certaines dimensions et pas pour d’autres. Prenons l’exemple d’un état des stocks d’un entrepôt; le nombre d’articles en stock aujourd’hui n’est bien évidemment pas la somme de la situation constatée hier augmentée de celle d’aujourd’hui. Dans SSAS, on dispose nativement d’agrégations semi-additives qui permettent de résoudre des problématiques d’inventaire telles que : • La moyenne des quantités et des valeurs en stock sur une période donnée. • La balance d’ouverture et de clôture sur une période. • La variation d’inventaire entre des périodes consécutives ou parallèles. • Le niveau d’inventaire minimum et maximum sur une période donnée. • La contribution relative d’un article en stock par rapport à la valorisation total du stock. L’assistant de calcul des dimensions temporelles apporte une aide non négligeable dans le cas de calcul d’agrégation à comparer sur des périodes de temps différentes (calcul du cumul des ventes depuis le début de l’année comparé sur les trois dernières années). Cette fonction est native alors qu’auparavant il était nécessaire de développer une fonction MDX de type ytd(). MDX Scripts Le langage multidimensionnel MDX (Multidimensional Expressions) est un langage d’interrogation des cubes, aussi complexe que puissant. SSAS 2005 propose un nouveau modèle de calcul qui simplifie la construction et la syntaxe des requêtes. Des outils tels que les tableaux croisés dynamiques accédant aux cubes utilisent une technique intuitive de glisser-déposer. Derrière cette apparente simplicité, la technologie « pivot table » génère des requêtes en langage MDX occultant ainsi la complexité de la syntaxe.

7.2 Points d’amélioration entre Analysis 2000 et SSAS 2005

———————————————————————————————————

189

MDX est aussi le langage naturel utilisé par SSAS pour construire les cubes. Lorsqu’un cube est traité, les données sont mises à jour seulement au niveau de détail le plus fin (le niveau feuille). C’est lorsque la demande sera formulée par l’utilisateur que les niveaux d’agrégation intermédiaires seront calculés « à la volée ». On imagine le gain d’espace procuré par cette technologie. Procédures stockées Analysis Services 2005 introduit la notion de procédures stockées afin d’étendre les capacités de traitement (UDF). Une procédure stockée peut être écrite dans n’importe quel langage tel que C++, VB ou C#. Les procédures stockées simplifient le développement et l’implémentation par la création unique de scripts codés réutilisables par d’autres procédures stockées ou requêtes des utilisateurs. Les procédures stockées fournissent des mécanismes afin d’étendre les fonctions de base du langage MDX. Ces procédures permettent également de réaliser des tâches spécifiques comme le rafraîchissement d’un cube ou la mise à jour partielle d’une portion du cube. Indicateurs clés de performance Une innovation de taille dans SSAS 2005 réside dans la mise à disposition de la technologie des KPI. Il s’agit de suivre des indicateurs métier pour lesquels des objectifs ont été fournis préalablement. Typiquement, ces indicateurs se retrouvent dans des rapports, des portails décisionnels et des tableaux de bord. L’outil de restitution est le portail Business Scorecard Management non inclus dans SQL Server 2005. Des outils tiers qui exploitent cette technologie sont déjà disponibles sur le marché (Panorama software, Proclarity, etc.). Les KPI sont dès à présent pris en charge par les tableaux croisés dynamiques de Excel 2007. D’une manière générale, un KPI est composé des éléments suivants : • la valeur à mesurer (ventes, profit, etc.); • l’objectif de la valeur à atteindre (valeur ou pourcentage); • l’état de la mesure permettant de juger de l’écart par rapport à l’objectif. Une expression MDX évalue une valeur courante de la mesure dans une plage allant de – 1 (très mauvais) à + 1 (très bon); • la tendance : valeur précisant si la valeur de la mesure se rapproche de l’objectif ou s’en éloigne. Voici une illustration de trois KPI affichés dans une page web (figure 7.4): • KPI du chiffre d’affaires trimestriel (feu vert car le revenu dépasse le but de 12,87 %);

190

———————————————————————————————————————————————————————————————————————

7. Analysis Services

• KPI de la satisfaction client (feu vert); • KPI du taux d’adoption du marché (feu rouge car inférieur aux prévisions).

Chiffre d’affaires trimestriel

Satisfaction client

Le chiffre d’affaire trimestriel dépassera les prévisions de 12,87 %.

Les clients ont été extrêmement satisfaits en décembre 2001. Voir le rapport complet…

Taux d’adoption du marché Le taux d’adoption de XYZ a été inférieur de 17,2 % aux prévisions. Voir le rapport complet…

Voir le rapport complet…

Figure 7.4 — Tableau de bord rassemblant trois KPI

Business intelligence en temps réel Les entrepôts de donnée et les applications de business intelligence reposent traditionnellement sur des données historiques rafraîchies mensuellement, ou quotidiennement. Il est admis que les applications décisionnelles stratégiques ne nécessitent pas de fréquence de rafraîchissement inférieure au jour. Nous pensons que la business intelligence doit être omniprésente dans l’entreprise et non seulement réservée à quelques décideurs tactiques ou stratégiques. On le constate par exemple lorsqu’un directeur de supermarché souhaite connaître en quasi temps réel les produits qui se vendent le mieux en fonction des annonces publicitaires diffusées dans le magasin. Dans ce cas, le temps d’attente entre la réalisation d’un fait et sa mesure est quasi instantané. Alors que AS 2000 offrait un mode de rafraîchissement des cubes basé sur le modèle pull (DTS déclenche une tâche à heure fixe), SSAS 2005 fournit un nouveau modèle qui offre un temps de latence très réduit entre le stockage de la donnée dans l’ERP et sa constatation dans le cube. Le modèle push déclenché par le pipeline DTS permet aux données d’être immédiatement transférées dans une partition d’Analysis Service sans stockage intermédiaire. Le modèle de cache proactif permet de définir très précisément la durée d’attente avant la prise en compte des nouvelles données. La fréquence des mises à jour des bases dimensionnelles peut être programmée.

7.2 Points d’amélioration entre Analysis 2000 et SSAS 2005

———————————————————————————————————

191

Grâce à ces mécanismes optimisés, il n’est pas rare de constater que les données rafraîchies et agrégées sont accessibles plus rapidement dans la base OLAP que dans la base relationnelle source. Les paramètres ajustables du cache proactif sont : • La période silencieuse qui définit la durée pendant laquelle la source de donnée n’a pas reçu de nouvelle transaction avant de lancer le processus de traitement. Ce paramètre est généralement défini à moins de 10 secondes. Cette période d’attente protège le système de reconstructions fréquentes du cache dans le cas où il y aurait de nombreuses transactions de mises à jour sur la source relationnelle. • La période de latence : durée qui garantit une période maximale au-delà de laquelle un rafraîchissement des données s’effectue. • L’intervalle de latence : il s’agit de la durée maximum entre la notification de changement et le démarrage du processus de cache proactif. Si la base de données est rafraîchie constamment, ce paramètre annule le paramètre de période de silence. • L’intervalle de reconstruction forcée : ce paramètre est utilisé dans le but de fournir un simple cache sur des systèmes dont les bases de données source ne disposent pas des fonctionnalités de notifications de mise à jour. L’UDM remplace-t-il définitivement la construction du datamart ? Le modèle UDM permet dans certains cas de s’affranchir de construire le datamart. En considérant les fonctionnalités citées précédemment, il peut être tentant de passer directement du système opérationnel (OLTP) au mode multidimensionnel (OLAP) via UDM.

Système Opérationnel OLTP

UDM

(Oracle, Db2, SQL Server)

Cube Analysis Services OLAP

Figure 7.5 — Le processus UDM

Il existe cependant des situations qui ne permettent pas de créer ou mettre à jour un cube via UDM.

192

———————————————————————————————————————————————————————————————————————

7. Analysis Services

• 1. UDM nécessite une connexion OLE DB. Si la source de données se trouve dans un format différent (texte, XML) ou dans un format propriétaire, il sera nécessaire de passer par le datamart. • 2. UDM nécessite une connexion permanente avec la source des données. En particulier, si des fichiers doivent être reçus de différentes plates-formes via FTP ou cédérom avant d’être traités, il sera nécessaire de passer par un datamart. • 3. UDM alimente le cube à partir de données propres, ne nécessitant pas de transformations préalables. Si le système opérationnel contient des erreurs ou des informations nécessitant d’être nettoyées, il sera indispensable de passer par la phase d’alimentation du datamart via Integration Services.

Système Opérationnel OLTP (Oracle, DB2, SQL Server)

Intégration

Services

Data Mart Métier

UDM

(Oracle, DB2, SQL Server)

Cube Analysis Services OLAP

Figure 7.6 — Dans la plupart des cas, la création du datamart est la solution la plus judicieuse

7.3 MÉTHODOLOGIE DE CRÉATION D’UNE BASE DE DONNÉES DEPUIS UNE SOURCE EXISTANTE La méthode la plus simple consiste à concevoir une base de données Analysis Services en partant d’une base de données relationnelle quelle qu’en soit la source (ERP, PGI, ODS, Oracle, DB2, SQL Server, Access, etc). D’une manière générale, il est fortement conseillé de créer une base de données relationnelle servant d’entrepôt de données. En effet, le datawarehouse qui sert de source à la création des hypercubes joue le rôle d’interface entre les bases opérationnelles multiples et les cubes. On comprend aisément que cette interface est nécessaire pour des contraintes de performances, de nettoyage des données source, et d’historisation de celles-ci. Les bases de données opérationnelles sont volatiles et pour des raisons de performance sont vidées régulièrement des données les plus anciennes (données indispensables aux cubes). Cependant, il peut être astucieux et peu onéreux de commencer à développer une application décisionnelle en partant directement de la base de données transactionnelle (OLTP) sans mettre en œuvre dès le départ un entrepôt de données.

7.3 Méthodologie de création d’une base de données depuis une source existante

————————————————

193

C’est le cas lorsque les données nécessitent peu de transformations, de nettoyage et d’agrégation. Dans ce cas, SSAS sera vu comme un environnement complémentaire au système de reporting existant. On gagnera dans ce cas l’avantage de l’interactivité et on fera une économie non négligeable sur l’ETL. Sources de données et vues sur les sources de données Le point de départ pour la création d’une application décisionnelle consiste à créer un nouveau projet dans l’interface business intelligence Development Studio. Une fois que le squelette du projet est créé par l’assistant, vous pouvez créer vos sources de données pour vous connecter à n’importe quelle source relationnelle. Les vues sur les sources de données contiennent des informations sur des tables constitutives des différentes sources de données. Il est possible non seulement d’accéder aux tables et leurs champs mais également d’établir des jointures entre les différentes tables source. Il est parfois judicieux de renommer les tables et les champs par des appellations plus proches du référentiel métier de l’utilisateur. Parfois, on sera amené à créer des champs calculés dérivés des champs existants. L’avantage de ces vues pour le développeur réside dans le fait qu’elles sont partagées entre les projets SSAS et SSIS au sein d’un même projet, ce qui est particulièrement appréciable dans les cas suivants : • La base de données d’origine comporte des centaines de tables dont seulement quelques-unes sont utiles au projet BI. • Les sources de données sont multiples (serveurs distincts, SGBD distincts, plateformes différentes, fichiers plats, etc.). • Le développeur BI n’a pas besoin de disposer des privilèges d’administration sur les sources de données opérationnelles des ERP ou DW. • Le développeur BI peut procéder au développement d’application en mode déconnecté (les sources de données ne sont pas nécessaires pour le développement). Cette phase de normalisation sera payante tout au long du processus de développement des applications BI jusqu’à leur restitution. Création des dimensions des mesures et des cubes Après que les vues sur les sources de données ont été créées, vous allez procéder à la création des cubes OLAP. Une batterie d’assistants est disponible afin de créer les mesures (métriques) et les dimensions du cube (axes d’observation). La technologie Intellicube examine la base de données et les cardinalités dans les jointures des tables et, tout naturellement, va déterminer les tables de faits et la

194

———————————————————————————————————————————————————————————————————————

7. Analysis Services

tables de dimensions. L’assistant tente de créer des structures hiérarchiques parmi les attributs des dimensions. En général, il est conseillé de laisser l’assistant réaliser ce travail préliminaire quitte à revenir ultérieurement sur des choix qui ne seraient pas conformes à la définition du cahier des charges. Maintenant que les dimensions et les mesures ont été définies avec soin, l’étape suivante consiste à construire et déployer le cube sur le serveur. Création et déploiement du cube Jusqu’ici les étapes précédentes de création de dimension et de définition de cubes ont généré sur la machine de développement des fichiers intermédiaires au format XML. Les processus de création et de déploiement vont maintenant fournir toutes ces données sur le serveur cible. Par défaut, le serveur de développement réside sur votre machine locale. Il est naturellement possible au moment du déploiement de choisir le serveur qui hébergera l’application BI. Après cette étape de création, il convient de contrôler le prototype et en particulier le comportement des mesures au travers des dimensions. Il est préférable de démarrer avec une base de données disposant de peu d’informations mais suffisamment significatives afin de détecter rapidement toute anomalie éventuelle. L’étape suivante consiste à créer des composants BI tels que les KPI (Key Performance Indicators), les actions, les calculs dérivés. Selon que les utilisateurs couvrent des métiers différents, vous créerez des perspectives différentes. Ces perspectives sont en réalité des vues différentes des données à l’intérieur d’un même cube selon des profils différents. Ces profils disposent également de droits de consultation différents sur les données du cube. Si vous déployez des cubes pour une consultation internationale ou multilingue, vous serez amenés à déployer les fonctions de « traduction » (Translations). Lors de la création du cube vous, vous poserez la question de son mode d’alimentation et de la fréquence de son rafraîchissement. Cela fera intervenir des notions de Partition et de cache proactif. Une fois que la base Analysis Services a été réalisée, les objets sont déployés pour des tests d’alimentation et de performance sur le serveur de production.

7.4 CRÉATION DE NOTRE PREMIER CUBE Afin de réaliser cet exemple, les composants suivants doivent être installés sur le poste de travail : • Microsoft SQL Server 2005 Database Engine. • Microsoft SQL Server 2005 Analysis Services.

7.4 Création de notre premier cube

—————————————————————————————————————————————————————————

195

• Business intelligence Studio. • AdventureWorks DW sample Database (option à sélectionner). • Vous devez être membre du groupe local administrateurs sur le serveur et disposer des autorisations en lecture sur la base AdventureWorks DW. Bien vérifier la sélection des options ci-dessus lors de l’installation de SQL Server 2005. Le scénario suivant s’inspire d’une société fictive Cycles et Aventure qui fabrique et distribue des bicyclettes en matériaux métalliques et composites. La société emploie plusieurs équipes commerciales dans le but de couvrir un marché qui s’étend sur trois continents : Amérique du Nord, Europe et Asie. Pour répondre aux besoins en analyse des données des équipes commerciales et marketing, ainsi que de la direction, l’entreprise récupère actuellement les données transactionnelles dans la base de données Base_Opérationnelle et les données non transactionnelles comme les quotas des ventes dans des feuilles de calcul, et consolide ces données dans l’entrepôt de données relationnelles Base_Entrepot. Cependant, l’entrepôt de données relationnelles présente les problèmes suivants : Constat Actuellement, les rapports prédéfinis fournis par le système opérationnel sont statiques. Lorsque les utilisateurs désirent établir des tableaux de synthèse, ils doivent ressaisir les données dans le tableur Excel. Ils peuvent ensuite élaborer des graphes. Les données de synthèse saisies manuellement dans Excel ne permettent pas d’explorer des niveaux de détail plus fins. Dans ce contexte, il n’existe pas de lien permettant de retrouver les données détaillées qui constituent les données de synthèse. Les utilisateurs n’ayant pas connaissance des technologies OLAP se contentent bien souvent des rapports qu’ils impriment selon leurs besoins. Parmi ces utilisateurs, certains souhaiteraient accéder directement aux données de la base opérationnelle. Ils disposent parfois d’outils de requêtage. Cependant, du fait de la complexité du schéma de la base, ils renoncent à élaborer eux-mêmes les rapports dont ils ont besoin et finissent par solliciter les services informatiques. Dans les environnements où l’entrepôt de données n’a pas été mis en place, les utilisateurs constatent avec stupeur que les données des années antérieures ne sont plus accessibles. Les processus de « nettoyage » visant à améliorer les performances du système transactionnel ont eu raison de l’historique des données. Les temps de réponse sont aléatoires (plusieurs minutes voire plusieurs heures lorsque les volumétries sont importantes).

196

———————————————————————————————————————————————————————————————————————

7. Analysis Services

La solution passe naturellement par l’entrepôt de données visant à organiser les données en tables dimensionnelles et la technologie OLAP dont un des objectifs est de permettre des analyses croisées dynamiques. Dans l’exemple qui suit, nous allons montrer comment la technologie UDM va nous permettre d’élaborer rapidement un cube OLAP. Un peu de méthode avant de commencer. La création d’un cube passe par quatre étapes indispensables. Étape 1 : Définir le processus à analyser Cette première étape est souvent attachée à un besoin « métier ». Ce besoin est généralement exprimé par un manager opérationnel de l’organisation sous forme d’interrogation : quelles sont les ventes réalisées sur Internet comparées sur les trois dernières années par régions et par lignes de produit ? Étape 2 : Déterminer le niveau de granularité des données Les données proviennent des tables de faits pour les métriques et des tables de dimension pour les axes d’observation. La granularité représente le niveau de détail auquel le manager souhaite parvenir. Bien souvent, les analyses se font sur des données agrégées apportant ainsi une vision globale de l’activité, mais il est également nécessaire de connaître les données détaillées qui composent la donnée synthétique. Le niveau de granularité le plus fin est conditionné par la ligne de détail stockée dans la table de faits. Ainsi, pour une analyse des ventes réalisées sur Internet, il sera nécessaire d’identifier la table de faits susceptible de renfermer cette donnée. Une table candidate est naturellement la table VentesInternet. Le niveau de granularité le plus bas sera donc représenté par la ligne de facture des ventes internet. En général, cette ligne de facture représente un niveau de détail suffisamment fin pour connaître l’article vendu, par qui et quand, puis de connaître la quantité vendue et le montant. Ralph Kimball et Margy Gross recommandent que la table de faits stocke la donnée à un niveau « atomique » c’est-à-dire au niveau le plus fin. Cependant, si vous décidez d’agréger les données dans la table de faits de l’entrepôt de données et que vous désirez accéder au niveau de détail le plus fin, vous devrez envisager que UDM puisse accéder à la source représentée par la base transactionnelle OLTP. Étape 3 : Choisir les dimensions L’analyse sémantique de la question posée par notre manager permet de déterminer assez facilement les tables dimensionnelles devant intervenir dans l’élaboration du cube. En effet, lorsque le responsable demande une analyse par Régions et par ligne de produit, il identifie clairement les axes d’observation, donc les dimensions du cube OLAP. La région étant déterminée par le client, la table dimensionnelle Clients sera introduite par l’UDM dans le référentiel.

7.4 Création de notre premier cube

—————————————————————————————————————————————————————————

197

La notion de ligne de produit et produit est déterminée par deux champs de la table Produit. Nous devrons donc intégrer la table dimensionnelle Produit. Notre manager précise également qu’il désire effectuer la même analyse sur les trois dernières années. Cette requête implique par conséquent une notion temporelle. Il sera donc nécessaire d’introduire la dimension Temps. Il est à noter que cette table Temps n’existe nullement dans la base opérationnelle. Elle est un artifice introduit uniquement dans la base entrepôt de données. Son but est de partager plusieurs datamarts selon le même axe temporel. La table Temps est jointe à la table de faits centrale grâce à une clé temporelle ajoutée à la table de faits et alimentée au moment de la phase d’ETL (fonction lookup). Le niveau de granularité du cube sera déterminé par le niveau hiérarchique le plus bas de chacune des dimensions qui composent le cube. Étape 4 : Identifier les métriques La dernière étape consiste à identifier les données numériques qui répondent à la question de notre manager.

7.4.1 Mesures Dans l’exemple présenté ci-après, les mesures sont définies par la table VentesInternet et sont les suivantes : • • • • • • • • •

quantité commandée; prix unitaire; quantité étendue; remise unitaire; montant de la remise; coût standard du produit; coût total du produit; montant des ventes; montant de la taxe.

7.4.2 Dimensions Notre manager veut effectuer des analyses selon divers axes d’observation. L’axe clients se décompose de la façon suivante : • région; • province; • ville;

198

———————————————————————————————————————————————————————————————————————

7. Analysis Services

• nom; • l’axe produits; • catégorie de produit; • sous-catégorie; • ligne produit; • produit; • l’axe du temps; • année; • trimestre; • mois; • jour.

7.4.3 Le schéma en flocons Les datamarts sont constitués d’une table de faits centrale autour de laquelle gravitent des tables de dimensions. Selon que l’axe dimensionnel est composé d’une seule table ou de plusieurs, le schéma sera appelé en étoile ou en flocon. Dans l’exemple ci-dessous, la table de fait centrale est la table FaitVentesInternet. La dimension Client est composée de deux tables liées (DimClients et DimGeographie). De ce fait nous parlerons d’un schéma en flocons.

Figure 7.7 — Schéma en flocon composé d’une table de faits et de trois axes dimensionnels

7.4 Création de notre premier cube

—————————————————————————————————————————————————————————

199

La dimension Produits est constituée à partir de trois tables liées DimProduit, DimSousCatégorieProduit et DimCatégorieProduit). Dans la figure ci-dessus, l’axe Produits est lui-même composé de trois tables. On parle donc d’un schéma en flocons.

7.4.4 Créer le projet « Mon Premier Cube » à l’aide de l’environnement UDM d’Analysis Services Un projet Analysis Services se décompose en deux phases. La première consiste à définir l’environnement des sources qui alimentent le cube. La seconde permet de créer le cube en introduisant la notion de mesures et dimensions. Définir l’environnement des sources de données. Sélectionner Démarrer, cliquer sur Microsoft SQL Server 2005 ensuite cliquez sur SQL Server business intelligence Development Studio. L’environnement business intelligence de Visual Studio s’ouvre : Nouveau projet Dans la fenêtre Project types sélectionner business intelligence Projects. Dans la fenêtre Visual studio Modèles Visual Studio effectuez un double-clic sur : Projet Analysis Services.

Figure 7.8 — Formulaire de création d’un projet SSAS

200

———————————————————————————————————————————————————————————————————————

7. Analysis Services

Dans le champ Nom, nommer le projet : Projet Mon Premier Cube. Dans le champ Emplacement, définir un chemin d’accès aux projets ou conserver celui proposé par VS. Dans le champ Solution, saisir Solution Mon Premier Cube.

Figure 7.9 — Composants créés en standard lors de la création d’un projet SSAS

Créer la source de données : • Clic droit sur Source de données. • Assistant Source de données. • Cliquer sur Suivant. • Sélectionner la méthode de définition de la connexion. • Cliquer sur le bouton Nouveau. • Dans la liste proposée choisissez OLE DB natif\SQL Native Client.

Figure 7.10 — Choix des types de connexion

Choisir le fournisseur d’accès à la base Entrepot.

7.4 Création de notre premier cube

—————————————————————————————————————————————————————————

201

Figure 7.11 — Le gestionnaire de connexion

Le bouton Tester la connexion permet de vérifier la connexion au serveur. Figure 7.12 — Le Gestionnaire de connexion vérifie le lien avec la base de données source

Puis OK deux fois.

Figure 7.13 — L’assistant montre les paramètres de la connexion de données

202

———————————————————————————————————————————————————————————————————————

7. Analysis Services

Puis dans l’écran suivant, sélectionnez le choix Utiliser le compte de service.

Figure 7.14 — Information sur l’identité de l’utilisateur accédant à la source de données

Figure 7.15 — Chaîne de connexion fournie par l’assistant

Puis cliquez sur Terminer. Dans l’explorateur de solutions, nous constatons la présence de la nouvelle source de données : Base_Entrepot.ds.

Figure 7.16 — La source de données dans l’explorateur de solutions

7.4 Création de notre premier cube

—————————————————————————————————————————————————————————

203

L’étape suivante consiste à créer une nouvelle vue de source de données. Clic droit sur Vues de sources de données.

Figure 7.17 — Création d’une nouvelle vue de source de données

Validez Nouvelle vue de source de données… L’assistant de source de données démarre. Bouton Suivant.

Figure 7.18 — Formulaire de sélection des tables qui entrent dans le référentiel du modèle en étoile ou en flocon

204

———————————————————————————————————————————————————————————————————————

7. Analysis Services

Sélectionnez la source de données qui vient d’être créée Base Entrepot. Bouton Suivant. Dans le formulaire suivant vous allez sélectionner les tables de Base entrepot qui sont à inclure dans la vue de source de données. Grâce au bouton

> sélectionnez la table de faits FaitVentesInternet.

Cliquez sur le bouton Suivant. Puis validez la fin de la création de source de données en cliquant sur le bouton Terminer. Dans l’explorateur de solution vous observez la création de la vue Base Entrepot.dsv. Vous obtenez le schéma suivant (figure 7.19).

Figure 7.19 — Source de données selon un schéma en flocon

Créer le cube à l’aide de l’assistant La phase de création du cube permet de déterminer les dimensions et les mesures qui participent à son élaboration. Dans l’explorateur de solutions, effectuez un clic droit sur Cubes puis validez Nouveau Cube… L’assistant de création de cube est sollicité. Puis cliquez sur le bouton Suivant.

7.4 Création de notre premier cube

—————————————————————————————————————————————————————————

205

Figure 7.20 — Création d’un cube à l’aide de l’assistant UDM

Sélectionnez la Vue de source de données Base Entrepot puis cliquez sur le bouton Suivant. L’assistant tente de détecter automatiquement les tables de faits et de dimension. Puis cliquez sur le bouton Suivant. Vous vérifiez que la table de faits est bien FaitsVentesInternet. Toutes les autres tables sont des tables de dimension. Précisez à l’assistant quelle est la table de dimension temporelle. Pour cela, sélectionnez la table de dimension temps DimTemps. Dans l’écran présenté dans la figure 7.21, vous devez préciser la table qui joue le rôle de dimension de temps.

Figure 7.21 — L’assistant détecte les tables de dimension et tables de faits

206

———————————————————————————————————————————————————————————————————————

7. Analysis Services

Figure 7.22 — Identifier les tables de faits et de dimension

Figure 7.23 — Créer une hiérarchie dans la dimension temporelle

7.4 Création de notre premier cube

—————————————————————————————————————————————————————————

207

Sur la figure 7.22, le diagramme fait apparaître le schéma en étoile ou flocon en distinguant les tables de dimension et les tables de faits (au centre du diagramme). Puis cliquez sur le bouton Suivant. Sur la figure 7.23, l’assistant définit une hiérarchie pour la dimension Temps. À la différence de AS 2000 qui déduit automatiquement la hiérarchie temporelle à partir d’une date, SSAS 2005 doit recevoir un « mappage » manuel entre les propriétés de la hiérarchie et les champs sélectionnés dans la table de dimensions. On remarquera que les valeurs année, trimestre, mois, etc. doivent exister dans la table dimensionnelle. Lorsque la table dimensionnelle n’existe pas dans le modèle (cas fréquent) il est nécessaire d’en générer une grâce à l’assistant de création de dimension temporelle sans source de données. Figure 7.24 — Lorsque la table temps n’existe pas, il est impératif de la créer grâce à l’assistant dimension temps. Cette tâche a pour but de créer une nouvelle table dans l’entrepôt de données

Figure 7.25 — Fournir les bornes pour la construction de la table temporelle

208

———————————————————————————————————————————————————————————————————————

7. Analysis Services

Il est nécessaire de fournir les bornes pour la construction de la table. Puis cliquez sur le bouton Suivant. L’assistant détermine les mesures en fonction des champs numériques détectés dans la base de faits. Conservez uniquement les mesures qui ont un sens à être agrégées (mesures additives) comme ci-dessous.

Figure 7.26 — Sélectionnez les mesures ou indicateurs pertinents

Par défaut, l’assistant repère les champs au format numérique et tente d’en créer des mesures. Décochez les clés qui ne constituent pas des mesures dans la base de faits. Puis cliquez sur le bouton Suivant. L’assistant détecte automatiquement les hiérarchies. Puis cliquez sur le bouton Suivant. Déployez les nouvelles dimensions détectées afin de contrôler les choix effectués par l’assistant. Vérifiez la pertinence des hiérarchies et des attributs. Puis cliquez sur le bouton Suivant.

7.4 Création de notre premier cube

—————————————————————————————————————————————————————————

209

Figure 7.27 — Décochez les attributs de dimensions qui ne définissent pas des axes d’analyse (le champ Photo n’est pas un axe d’analyse)

Figure 7.28 — L’assistant de création de cube affiche la structure des nouvelles dimensions

210

———————————————————————————————————————————————————————————————————————

7. Analysis Services

Figure 7.29 — L’assistant affiche les groupes de mesures et les dimensions qu’il vient d’attribuer au cube MonPremierCube

Puis cliquez sur le bouton Terminer.

Figure 7.30 — Le concepteur de cube présente l’explorateur de solutions, les groupes de mesures, les dimensions incluses dans le cube et la vue de source de données

7.4 Création de notre premier cube

—————————————————————————————————————————————————————————

211

Dans la vue de la source de données, vous observez la table de faits au centre du schéma en flocon (figure 7.30). Le concepteur de cube contient les onglets suivants, qui affichent différentes vues du cube.

Structure de cube Cet onglet permet de modifier l’architecture d’un cube et d’en modifier les composants.

Utilisation de la dimension Cet onglet permet de définir les relations entre des dimensions et des groupes de mesures, ainsi que la granularité de chaque dimension au sein de chaque groupe de mesures. Si vous utilisez plusieurs tables de faits, il se peut que vous deviez identifier si les mesures s’appliquant ou non à une ou plusieurs dimensions. Chaque cellule représente une relation potentielle entre le groupe de mesures et la dimension intersectée.

Calculs Cet onglet permet d’étudier les calculs définis pour le cube, de définir de nouveaux calculs pour le cube dans sa totalité ou pour un sous-cube, de réorganiser les calculs existants et de déboguer les calculs, pas à pas, en s’aidant des points d’arrêt. Les calculs permettent de définir de nouveaux membres et mesures basés sur des valeurs existantes, tels que des calculs de profit, et de définir des jeux nommés.

KPI Cet onglet permet de créer, éditer et modifier les indicateurs de performance clés (KPI) dans un cube. Ceux-ci permettent au concepteur de déterminer rapidement les informations utiles relatives à une valeur et par exemple, de déterminer si la valeur définie est supérieure ou inférieure à un objectif ou si la tendance que suit la valeur définie augmente ou diminue.

Actions Cet onglet permet de créer ou de modifier des extractions, des rapports et d’autres actions pour le cube sélectionné. Il contient des informations contextuelles sur les applications clientes, les commandes et les rapports auxquels les utilisateurs finaux peuvent accéder.

Partitions Les partitions permettent de stocker les sections d’un cube dans différents emplacements avec des propriétés différentes, telles que des définitions d’agrégations.

212

———————————————————————————————————————————————————————————————————————

7. Analysis Services

Perspectives Une perspective est un sous-ensemble défini d’un cube et sert à réduire la complexité d’un cube du point de vue de l’utilisateur.

Traductions Cet onglet permet de créer et gérer les noms traduits des objets de cube, tels que les noms de mois ou de produits.

Navigateur Cet onglet permet d’afficher les données du cube selon une présentation proche du tableau croisé dynamique. L’explorateur de solutions présente les nouvelles dimensions (figure 7.31).

Figure 7.31 — L’explorateur de solution présente trois dimensions partagées alors que le cube lui-même en contient cinq (la dimension temps est triplée dans le cube car il existe trois dates différentes liées à la table temps)

Dans le menu de Visual studio sélectionnez Fichiers puis cliquez sur Enregister tout.

Modification des mesures et dimensions créées par défaut Sélectionnez l’onglet Structure du cube puis dépliez les mesures de Fait Ventes Internet. Le volet Dimensions de l’onglet Structure de cube affiche les dimensions qui ont été créées à l’étape précédente. Les dimensions Produit et Clients apparaissent clairement. En revanche, la table de dimension Dim Temps a généré trois dimensions de cube temporelles. Ces dimensions temporelles correspondent aux champs de type date observés dans la table de faits : date de livraison, date de commande et date expédition.

7.4 Création de notre premier cube

—————————————————————————————————————————————————————————

Dans le volet Dimensions, développez Dim Clients, puis cliquez sur le lien Modifier Dim Clients. Le concepteur de dimension apparaît. Vous observez trois onglets : Structure de dimension, Traductions et Navigateur. L’onglet Concepteur de dimension Figure 7.32 — Groupe contient à son tour trois onglets : de mesures Attributs, Hiérarchies et niveaux et et dimensions vue source de données. du cube Les choix effectués par l’assistant ne nous conviennent pas. Par conséquent, vous allez procéder à la modification de la hiérarchie de la dimension. Commencez par renommer la hiérarchie en Clients.

Figure 7.33 — L’onglet structure de dimension se décompose en Attributs, Hiérarchies et vue source de données propre à la dimension

213

214

———————————————————————————————————————————————————————————————————————

7. Analysis Services

Clic droit sur l’en-tête de la hiérarchie, puis Renommer, puis saisissez Clients. Vous allez reconstruire les niveaux hiérarchiques de la dimension clients. Vous allez supprimer les niveaux actuels par un clic droit sur chaque niveau puis Supprimer. Grâce à la fonction glisser déplacer, vous reconstituez la hiérarchie de la dimension Clients. Dans l’ordre, glissez tout d’abord Nom Région Français puis immédiatement en-dessous Nom Province puis Ville et enfin Nom.

Figure 7.34 — Supprimer ou renommer un niveau dans la hiérarchie

Vous obtenez ainsi la nouvelle hiérarchie Clients.

Figure 7.35 — Grâce à un glisser-déplacer depuis la source de données vers la hiérarchie il est possible de construire une ou plusieurs hiérarchies de dimension

Vous allez effectuer le traitement de réorganisation sur la dimension Produit. Dans l’explorateur de solution sélectionnez la dimension Dim Produit.

7.4 Création de notre premier cube

—————————————————————————————————————————————————————————

215

Les trois onglets Structure de dimension, Traductions et Navigateur s’ouvrent de nouveau. L’onglet Hiérarchie est vide.

Figure 7.36 — Pour créer une hiérarchie, faites glisser une colonne ou un attribut sur la partie centrale

Vous allez créer de toute pièce une nouvelle hiérarchie Produit en incluant la hiérarchie LigneProduit et Produit. Avant de créer cette nouvelle hiérarchie et afin de mieux sélectionner les champs, vous allez observer le contenu de la table DimProduit à partir de laquelle vous allez reconstituer la hiérarchie. Dans l’onglet Vue Source de données, faites un clic droit sur la table DimProduit puis Explorer les données. En cliquant sur l’en-tête de colonne, vous pouvez trier en ordre croissant ou décroissant les données (ici NomProduitFrançais).

216

———————————————————————————————————————————————————————————————————————

7. Analysis Services

Figure 7.37 — Un clic droit sur une table dans la source de données permet d’explorer le contenu de la table

Dans la hiérarchie Produit, vous allez sélectionner Ligne de produit puis immédiatement en dessous, NomProduitFrançais. Revenez sur l’onglet DimProduit puis glissez le champ LigneProduit de la Vue source de données vers Hiérarchie et Niveaux.

Figure 7.38 — Glisser déplacer un champ de la vue source de données dans la hiérarchie

7.4 Création de notre premier cube

—————————————————————————————————————————————————————————

217

Une nouvelle hiérarchie vient d’être créée avec un seul élément LigneProduit. Vous obtenez une nouvelle hiérarchie.

Hiérarchie temporelle Dans l’explorateur de solutions, cliquez sur la dimen- Figure 7.39 — Hiérarchie après introduction sion Dim Temps. Dans l’onglet Hiérarchie et niveaux, d’un nouveau champ renommez la hiérarchie en Dates. Dans le menu Fichiers, choisissez alors Enregistrer tout. Pour afficher les données du cube dans le projet, il est nécessaire de déployer le projet sur une instance spécifiée de Analysis Services, puis traiter le cube et ses dimensions. Le déploiement d’un projet Analysis Services entraîne la création des objets définis dans une instance de Analysis Services. Le traitement des objets dans une Figure 7.40 — Renommer instance de Analysis Services, entraîne la copie des une hiérarchie données à partir des sources de données sous-jacentes dans les objets du cube.

Déployez le cube Faites un clic droit sur MonPremierCube puis sélectionnez Déployer.

Figure 7.41 — Déployer le cube permet de créer la structure du cube sur le serveur Analysis Services

218

———————————————————————————————————————————————————————————————————————

7. Analysis Services

À l’issue du déploiement, l’assistant récapitule l’ensemble des actions qu’il a réalisées. Après que le cube est déployé puis traité sur le serveur, il est possible de naviguer dans le cube grâce à l’onglet Navigateur.

Figure 7.42 — Récapitulatif du déploiement du cube sur le serveur

Dans le répertoire Cubes de l’explorateur de solutions, double-cliquez sur MonPremierCube.cube puis dans la fenêtre de gauche, sélectionnez l’onglet Navigateur. Vous observez un affichage proche du tableau croisé dynamique d’Excel. Vous allez progressivement déplacer les champs de mesures et dimension vers ce tableau vierge. Tout d’abord, glissez-déplacez la mesure Quantité commandée dans la partie centrale du rapport. Les champs de dimension vont être dirigés vers les en-têtes de lignes et de colonnes. Glissez-déplacez la dimension Dim Clients vers les en-têtes de lignes puis Dim Produit dans en-têtes de colonnes.

7.4 Création de notre premier cube

—————————————————————————————————————————————————————————

219

Figure 7.43 — Onglet de navigation dans le cube

Figure 7.44 — La mesure Quantité commandée a été glissée sur la partie détail du navigateur

Figure 7.45 — Le champ Ligne Produit définit les colonnes et Région définit les lignes

Glissez-déplacez la dimension temporelle Clé Date Commande vers l’emplacement des champs de filtre. Dans la liste déroulante désélectionnez toutes les années sauf 2003.

220

———————————————————————————————————————————————————————————————————————

7. Analysis Services

Figure 7.46 — La date de commande remplit le rôle de filtre

En cliquant sur le signe + associé aux champs, vous allez pouvoir « forer » dans la hiérarchie des dimensions. Cette technique est également appelée drill down. Le signe – permet d’effectuer un drill up.

Figure 7.47 — Les signes + et — permettent d’effectuer drill down et drill up

Faites un clic droit sur l’espace du tableau puis sélectionnez Commandes et Option puis comportement puis cochez les cases Barre de titre et Barre d’outils. Vous pouvez obtenir un contexte proche de celui des tableaux croisés dynamiques d’Excel. Rappelons que l’outil de navigation n’est pas mis à la disposition de l’utilisateur final. Dans la phase de développement, il est utile au développeur et à l’administrateur (au travers de la console de management) à des fins de contrôle.

7.4 Création de notre premier cube

—————————————————————————————————————————————————————————

221

Figure 7.48 — Formulaire permettant de d’afficher des éléments afin de rendre le navigateur proche du tableau croisé dynamique

Figure 7.49 — L’interface est maintenant celle du tableau croisé dynamique d’Excel

Vous pouvez continuer de déposer des champs mesures et/ou dimensions à partir de la liste des champs disponibles. Vous pouvez également retirer des champs (mesures ou dimensions) en sélectionnant l’en-tête du champ et en glissant celle-ci hors du tableau.

Créer une nouvelle hiérarchie de dimension La dimension Produit contient actuellement deux niveaux (Ligne produit et Produit). L’analyste souhaite établir une subdivision par catégorie de produit et souscatégorie de produit.

222

———————————————————————————————————————————————————————————————————————

7. Analysis Services

L’observation du diagramme de la base Base_Entrepot dans SQL Management Studio fait clairement apparaître les liens d’intégrité qui existent entre les tables DimProduit, DimSousCatégorieProduit et DimCatégorieProduit. La clé étrangère CléSousCatégorie de la table DimProduit et en jointure avec la clé principale CléSousCatégorieProduit de la table DimSousCatégorieProduit. De même la clé étrangère CléCatégorieProduit de la table DimSousCatégorieProduit et en jointure avec la clé principale CléCatégorieProduit de la table DimCatégorieProduit.

Figure 7.50 — De nouvelles tables (catégories et sous-catégories) doivent être ajoutées au modèle en flocon. Ci-dessus, représentation des tables dans Management Studio

Afin d’ajouter les niveaux hiérarchiques Sous-catégorie de produit et Catégorie de produit, il est nécessaire d’ajouter les deux tables correspondantes dans la vue Base Entreprot.dsv. Dans l’explorateur de solutions, cliquez avec le bouton droit sur la vue Base entrepot.dsv. Puis sélectionnez concepteur de cube. Dans l’onglet de définition de vue, vous allez ajouter deux tables supplémentaires. Dans le menu BI studio, choisissez Vue des sources de données puis Ajouter/Supprimer des tables…

7.4 Création de notre premier cube

—————————————————————————————————————————————————————————

223

Dans la partie droite de l’écran (figure 7.51), cliquez sur la table dbo.DimProduit puis actionnez le bouton Ajouter des tables associées.

Figure 7.51 — Ajouter des tables à une vue des sources de données grâce aux tables associées

Figure 7.52 — Ajouter des tables associées

Retirez la table FaitVentesRevendeur qui n’est pas utile pour le moment, puis cliquez sur DimSousCatégorieProduit et actionnez de nouveau le bouton Ajouter des tables associées.

224

———————————————————————————————————————————————————————————————————————

7. Analysis Services

L’assistant détecte automatiquement les jointures entre les tables puis les intègre automatiquement à la vue.

Figure 7.53 — Objets inclus dans la vue finale

Cliquez sur OK. Les deux nouvelles tables font maintenant partie de la vue Base Entrepot.dsv. Sauvegardez tout. Vous allez maintenant ajouter deux niveaux supplémentaires dans la hiérarchie Produit. Dans l’explorateur de solution, double-cliquez sur la dimension DimProduit.dim. Dans la vue Source de données, utilisez le clic droit et l’option ajouter les tables… Vous ajoutez les deux tables suivantes DimSousCatégorieProduit et DimCatégorieProduit (figure 7.54).

Figure 7.54 — Ajouter les tables DimSousCatégorieProduit et DimCatégorieProduit au schéma en flocon

7.4 Création de notre premier cube

—————————————————————————————————————————————————————————

225

Figure 7.55 — Glisser-déplacer un champ d’une table vers la hiérarchie

Grâce au glisser-déplacer, vous allez insérer le champ NomFrançaisSousCatégorie au-dessus de ligne Produit. Vous allez faire de même en amenant le champ NomFrançaisCatégorieProduit au-dessus du champ précédent. Renommez également le titre de la hiérarchie en Produit et Catégories.

Figure 7.56 — La nouvelle hiérarchie après introduction des champs de catégorie

Puis déployez le cube : clic droit dans l’explorateur de dimension puis Déployer. Dans l’explorateur de solution, effectuez un clic droit sur la dimension Dim Produit.dim, puis dans l’onglet central Navigateur, choisissez la hiérarchie globale Produit et catégories puis déroulez l’arborescence des catégories de produit.

226

———————————————————————————————————————————————————————————————————————

7. Analysis Services

Figure 7.57 — Navigateur de dimension

Figure 7.58 — Il est possible de naviguer dans tous les attributs de la dimension

7.5 Conclusion

———————————————————————————————————————————————————————————————————————————

227

Vous pouvez changer de niveau hiérarchique et observer les membres selon le nouvel axe dimensionnel. La navigation dans le cube fait clairement apparaître la nouvelle hiérarchie Produit et Catégorie.

Figure 7.59 — Les attributs catégories et sous catégories sont maintenant intégrés au cube

7.5 CONCLUSION Ce chapitre nous a permis de comprendre les différentes étapes qui participent à la création d’un cube. Nous avons successivement défini les sources de données. Nous avons défini un schéma en flocon faisant apparaitre clairement la table de faits centrale et les tables descriptives appelées dimensions. Lors de la création du cube l’assistant a détecté le rôle des tables en présence. Il a déterminé la table de faits comportant les mesures (métriques), puis les tables dimensionnelles. Il a déterminé le niveau de granularité et les liaisons entre tables de faits et tables de dimension. Le déploiement du cube sur le serveur Analysis Services a ensuite permis de naviguer dans le cube grâce à l’outil intégré à BI studio. Dans le chapitre suivant nous apporterons un éclairage complémentaire en présentant de façon plus détaillée les composants essentiels du cube afin de répondre plus précisément à des problématiques métier.

8 Méthode de conception des cubes avec SSAS

Nous l’avons vu, créer un cube OLAP avec l’assistant ne présente pas de difficulté majeure, en particulier si l’on respecte les paramètres standard fournis par l’outil. La base de données relationnelle sous-jacente est indispensable à la fabrication du cube, mais de par sa structure tabulaire et linéaire, elle reste difficilement exploitable pour l’analyse. Le langage SQL, seul outil de requêtage, permet de réaliser des rapports simples basé sur des notions de listes dont la valeur ajoutée consiste à effectuer des regroupements matérialisés par des sous-totaux intermédiaires de colonnes et totaux généraux. Un véritable serveur analytique dispose de la couche OLAP offrant des performances constantes quelle que soit la volumétrie. À la vision purement séquentielle de l’information, OLAP en apporte une transverse permettant ainsi de mettre en relation des données non contiguës dans l’entrepôt. Cette capacité à définir des rapprochements structurés dans l’espace est rendue possible grâce au langage MDX. De telles performances sont rendues possibles grâce à une gestion simplifiée des agrégations. Celles-ci résultent de calculs visant à regrouper des données numériques puisées dans les tables de faits. Ces calculs sont préstockés dans le cube OLAP à des niveaux variables de regroupement, rendant possible un affichage instantané. Cette technique de regroupement de données sous forme préagrégée est de loin plus efficace que la méthode ancienne qui consistait à indexer

230

——————————————————————————————————————————————

8. Méthode de conception des cubes avec SSAS

des vues SQL. Cette technique d’indexation était également accompagnée d’une mise à niveau coûteuse des matériels afin de répondre à toujours plus d’exigence. L’objectif principal est de déterminer les agrégations qui répondent le mieux aux besoins métier et d’identifier la fréquence de mise à jour des agrégats. Un autre enjeu consiste à décider de la façon de conserver l’historique et particulièrement s’il est nécessaire de tracer les changements d’états successifs au niveau des axes d’observation (produits, clients, fournisseurs, etc.). La mise en place d’agrégations permet de prévenir des risques de mauvaise interprétation des données. En effet, dans un modèle relationnel, comment s’assurer que l’utilisateur qui désire suivre son stock semaine par semaine ne va pas par erreur additionner des stocks successifs au lieu de ne considérer que la variation constatée d’une semaine sur l’autre. Nous l’avons déjà vu, il s’agit là d’une notion de mesure semi-additive, totalement prise en compte par OLAP. Un autre aspect naturellement pris en compte par OLAP est le rapprochement de données à des niveaux de granularité différents (budget défini à un niveau trimestriel, comparé à des données journalières). Une fois que les membres de l’organisation ont décidé des besoins métiers, ils vont alors préciser comment ils souhaitent y accéder (Internet, intranet, via Excel ou autre outil tiers) et la manière dont ils veulent naviguer au sein de leurs données (forage progressif selon différents niveaux d’agrégation).

8.1 ORGANISATION LOGIQUE DES CUBES 8.1.1 Définition de la structure OLAP Plusieurs étapes sont à respecter lors du développement d’un projet Analysis Services. Démarrer le projet OLAP Vous devez disposer de l’outil client BI Development Studio sur votre machine de développement. Votre ordinateur doit pouvoir être connecté au serveur de données de SQL Server 2005 afin d’accéder au datawarehouse. Il doit également être connecté au serveur d’analyse de SQL Server 2005. De nombreux développeurs qui travaillent en mode déconnecté installent les composants serveur sur leur machine de développement. BI Studio sert à concevoir et à développer la base Analysis Services. Management Studio a pour vocation de maintenir la base de données d’analyse (ajout et exécution de partitions, sauvegarde, etc.). La règle est que tout développement ou toute modification de définition des cubes doit être réalisée dans BI Studio puis déployée sur le serveur. Plutôt que d’accéder

8.1 Organisation logique des cubes

—————————————————————————————————————————————————————————

231

directement aux tables des bases sources, Analysis Services accède à celles-ci au moyen d’une couche d’exposition qui simplifie grandement le processus de maintenance. C’est également grâce à ces vues que le développeur exposera les champs de données selon des règles de nommage métier compréhensible par l’utilisateur final. Bien qu’il faille attendre que la phase de définition du datawarehouse soit terminée avant d’entamer celle de la construction des cubes OLAP, il n’est cependant pas nécessaire que la phase d’ETL soit terminée. Il est tout à fait possible et même recommandé de ne pas attendre la fin du processus Integration Services pour démarrer le projet SSAS. Bien souvent on se contentera de quelques données de test, que l’on pourra modifier manuellement afin de créer différentes situations. Les résultats seront d’autant plus faciles à contrôler que les données sont peu nombreuses (contrôle des moyennes, et des mesures semi-additives). Le temps de rafraîchissement des cubes sera réduit d’autant. Créer le projet et la vue des sources de données Afin de contrôler une solution globale faisant intervenir des projets divers tels que SSIS, SSAS, SSRS, il est fortement conseillé de créer une seule solution intégrant elle-même les trois projets différents. Cette stratégie permet de créer une vue des sources de données qui sera partagée dans l’ensemble de la solution. Les sources de données partagées sont plus aisées à maintenir parce qu’elles sont définies à un endroit unique (figure 8.1). L’assistant des sources de données peut en créer une nouvelle basée sur une existante dans la même solution ou créer une source de données basée sur un projet Analysis Services existant.

Figure 8.1 — Trois projets dans la même solution

Figure 8.2 — Le menu ci-contre permet d’effectuer toutes les modifications sur une vue de données

232

——————————————————————————————————————————————

8. Méthode de conception des cubes avec SSAS

Lors de l’ajout de tables dans la vue (choix Ajouter/Supprimer des tables…, figure 8.2), les jointures existantes dans la base de données sous-jacente sont immédiatement reconstituées. On peut vouloir créer de nouvelles jointures entre des champs de tables. Un simple glisser-déplacer suffit. Il est important d’effectuer le glisser depuis le champ représentant la clé étrangère de la table côté n, vers le champ représentant la clé unique dans la table côté 1 (figure 8.3). Les attributs de description des tables et des champs seront remplis avec soin car Analysis Services utilise ces données lors de la création du cube. On évitera de stocker les commentaires dans le cube lui-même car il seraient alors remplacés à chaque retraitement du cube. Il est possible d’ajouter dans la vue des tables en provenance de serveur tiers (Oracle, DB2, etc.). D’une manière générale, on préfèrera effectuer des jointures sur des tables de bases de données tiers dans l’environnement propre du datawarehouse.

Figure 8.3 — Les jointures sont reconstituées lors de l’ajout de tables

8.1.2 Définir les dimensions D’une manière générale, les dimensions sont construites à partir du schéma en étoile ou en flocon et sont a priori indépendantes de tout cube. Les dimensions sont par nature partageables entre plusieurs cubes. Lors de la construction du cube les dimensions sont sélectionnées. La figure 8.4 montre des dimensions qui peuvent être partagées entre plusieurs cubes. Une dimension standard contient une clé (Product Name dans la figure 8.6) un ou plusieurs attributs, et une ou plusieurs hié-

Figure 8.4 — Dans le projet Analysis Services Tutorial, huit dimensions ont été préparées

8.1 Organisation logique des cubes

—————————————————————————————————————————————————————————

233

Figure 8.5 — Le cube est composé de dix dimensions (trois dimensions temporelles, Due date, Order date, Ship date, sont dérivées des trois champs de type Date dans la table de faits). La figure 8.5 montre les dimensions utilisées par le cube Analysis Services Tutorial

rarchies. Analysis Services crée des dimensions à partir de tables dénormalisées. Le passage de la troisième forme normale à une forme de table « plate » permet de répondre à des critères de performance.

Figure 8.6 — Les dimensions sont caractérisées par des attributs et des hiérarchies

Une dimension peut inclure des hiérarchies de type parent/enfant. Une dimension peut être à variation lente de type 1 (ne tient pas compte de l’historique) ou de type 2 (garde la trace des changements). Une dimension peut présenter les deux types simultanément. En effet les types de réaffectation sont définis au niveau de chaque attribut de dimension et non pas au niveau global. Une dimension de type 2 est toujours préférée au type 1, car il n’y a pas de réaffectation globale sur l’historique à chaque rechargement de la table dimensionnelle. Les traitements de reconstruction des cubes sont allégés d’autant.

234

——————————————————————————————————————————————

8. Méthode de conception des cubes avec SSAS

Modifier les propriétés des dimensions Une dimension possède plusieurs propriétés modifiables. Les plus importantes sont : • Le nom de la dimension est visible de l’utilisateur. Il convient de le définir de façon très représentative du métier. • La description est également exposée à l’utilisateur. • Le type peut revêtir des usages différents : les plus importants sont Regular, Time, Accounts. Le type, déduit par l’assistant lors de la création de la dimension, est naturellement modifiable et permet à SSAS d’établir un certain nombre de contrôles lors de la création des cubes. Nous donnons la définition de quelques propriétés de dimension : • AttributeAllMemberName : affiche le texte au niveau le plus élevé de la hiérarchie de dimension (exemple : All Customers). • ErrorConfiguration : SSAS détecte de lui-même des incohérences au niveau des données de dimensions comme des clés dupliquées ou des violations d’intégrité référentielle. Il s’agit d’un paramètre de gestion des erreurs configurable pour gérer les clés dupliquées, les clés inconnues, les limitations des erreurs, l’action lors de la détection d’erreurs, le fichier journal des erreurs et les clés NULL. La figure 8.7 montre les différentes options offertes par la gestion des erreurs lors de l’alimentation d’une dimension. Les options par défaut sont affichées et sont explicites. Il est possible de tracer dans un fichier journal la liste des erreurs rencontrées lors du traitement. Le choix pour cette option est personnalisé ou par défaut. Il est souhaitable de laisser l’option par défaut. • Processing Mode : indique si l’indexation et l’agrégation doivent se produire durant le traitement (Regular) ou après le traitement (Lazy).

Figure 8.7 — Options disponibles en cas de personnalisation de la configuration des erreurs

8.1 Organisation logique des cubes

—————————————————————————————————————————————————————————

235

• Processing priority : détermine la priorité de traitement du cube durant les opérations en arrière-plan, telles que les agrégations et l’indexation différées. La valeur par défaut est 0. • ProactiveCaching : paramètres de mise en cache proactive pour le cube. • Source : précise la vue de source de données utilisée pour le cube. • StorageLocation : emplacement de stockage du système de fichiers pour le cube. Si aucun n’est spécifié, l’emplacement est hérité de la base de données qui contient le cube. • StorageMode : mode de stockage pour le cube; les valeurs sont MOLAP, ROLAP ou HOLAP comme illustré dans la figure 8.8. • Visible : détermine si le cube est visible ou non.

Figure 8.8 — Paramètres de stockage pour la dimension Customer

Modifier les attributs des dimensions La plupart des attributs de dimensions sont définis correctement par l’assistant de création de dimension. Quelques propriétés utiles ne sont cependant pas gérées par l’assistant. • Usage : Key est l’usage réservé à la clé de substitution (ou clé unique). L’usage Regular sera choisi pour l’ensemble des attributs à une exception : une dimension parent-enfant présentera un usage Parent. • Keycolumns : représente la colonne source de la table de dimension relationnelle. En général, il s’agit de la clé unique représentée par la clé de substitution. • OrderBy et OrderByAttribute : permettent de trier un attribut par la valeur de la clé ou par le nom de l’attribut. Il est possible également de trier un attribut selon l’attribut relié.

236

——————————————————————————————————————————————

8. Méthode de conception des cubes avec SSAS

Figure 8.9 — Les attributs sont organisés en trois ensembles homogènes (Contacts, Demographic, Location)

• IsAggregatable : un attribut peut être ou non agrégé. La valeur par défaut est vrai. • AttributeHierarchyDisplayFolder : il est possible de regrouper artificiellement plusieurs attributs. Il suffit de saisir un libellé dans la zone réservée à cet effet. Celui-ci enrichit une liste déroulante qui peut être réutilisée pour d’autres attributs. • AttributeHierarchyVisible : permet de cacher des attributs que l’on ne souhaite pas exposer à l’utilisateur. Un attribut peut être caché mais participer à une hiérarchie de dimension. • AttributeAllMemberName : est composé de all plus le nom de la hiérarchie. Il est cependant possible d’en modifier le contenu. • Attribut parent-enfants Une hiérarchie parent-enfant est une hiérarchie dans une dimension standard qui contient un attribut parent. Un attribut parent décrit une relation d’auto-référencement, ou jointure réflexive, dans une table de dimension principale. Les hiérarchies parent-enfant sont construites à partir d’un seul attribut parent. La figure 8.10 montre une relation parent-enfant. La jointure récursive permet de faire pointer le champ EmployeeKey vers le champ ParentEmployeeKey dans la même table Employee.

8.1 Organisation logique des cubes

—————————————————————————————————————————————————————————

237

Figure 8.10 — Attribut parent-enfant de la dimension Employee

• RootMemberIf : permet d’identifier le membre parent le plus élevé dans la hiérarchie. • NamingTemplate : le modèle de nom de niveau détermine les noms de niveaux affichés pour les utilisateurs lorsqu’ils parcourent le cube. Par exemple, Employee Level * permet d’afficher (Tout); Employee Level 02 ; Employee Level 03 ; Employee Level 04 ; etc.) en fonction du niveau sélectionné. Il est possible de préciser manuellement des noms de niveaux distincts. Modifier les attributs liés des dimensions Figure 8.11 — L’attribut date est relié à l’attribut Month name, lui-même relié à l’attribut Calendar Quarter, lui-même relié à Calendar Semester lui-même relié à Calendar Year dans une cardinalité de type plusieurs et un type de relation flexible

La notion d’attributs liés est une caractéristique qu’il est important de connaître car sa maîtrise conditionne grandement les performances d’interrogation du cube. Les attributs reliés participent à un mécanisme qui permet d’établir une intégrité référentielle entre plusieurs attributs d’une même dimension. Lors de la création de la dimension, l’assistant affecte à la clé de la dimension un lien d’intégrité de type « un à plusieurs » avec l’ensemble des autres attributs de la dimension. Le paramètre RelationShipType indique si une relation change dans le temps. Les valeurs sont les suivantes :

238

——————————————————————————————————————————————

8. Méthode de conception des cubes avec SSAS

• Rigid : signifie que les relations entre les membres ne changent jamais dans le temps. • Flexible : indique un changement possible dans le temps. Créer des hiérarchies ou modifier les attributs de hiérarchie de dimensions La création d’une hiérarchie résulte d’un besoin métier ou de contraintes de navigation.

Structure de dimension Certaines hiérarchies sont naturelles telles que année/mois/jour ou catégorie de produit/sous-catégorie de produit/produit. D’autres sont moins naturelles telles que fréquence de commande/nom du revendeur.

Figure 8.12 — Créer des hiérarchies et des niveaux par un glisser-déplacer des attributs des dimensions vers la fenêtre hiérarchies et niveaux

Les niveaux des hiérarchies sont construits à partir des attributs des hiérarchies. Les propriétés de chaque niveau sont également empruntées aux attributs correspondants et ne peuvent être modifiés au sein de chaque hiérarchie. Pour une hiérarchie régulière, utilisez la propriété HideMemberIf d’un niveau d’une hiérarchie pour masquer les membres manquants aux utilisateurs finaux.

Traductions Les traductions permettent au serveur de prendre en charge les applications clientes en adaptant le langage de présentation selon la langue du client. Il est utile de pouvoir traduire divers éléments d’un cube et de ses dimensions dans une langue différente, de sorte que des personnes de divers pays puissent afficher et comprendre le cube. Au moment de l’affichage de la requête, un dialogue

8.1 Organisation logique des cubes

—————————————————————————————————————————————————————————

239

s’établit entre la station du client et le serveur. Le client renvoie la langue utilisée au serveur qui renvoie à son tour le résultat de la requête dans la langue de l’utilisateur.

Navigateur L’onglet Navigateur permet d’explorer les attributs ou les hierarchies de dimension. La figure 8.13 montre une navigation dans la hierarchie Product Categories. Après toute modification d’un attribut ou hiérarchie il est nécessaire de se reconnecter au cube avant d’explorer à nouveau les données. Avant de parcourir les données il est nécessaire de traiter la dimension. Il n’est cependant pas nécessaire de déployer le cube ou de traiter la base de données du cube. Dans la figure 8.13, si une traduction avait été développée, la liste déroulante ferait apparaître les membres dans la langue adéquate.

Figure 8.13 — Choisir une hiérarchie ou un attribut et parcourez la liste des données

8.1.3 Modification du cube Nous l’avons vu, l’assistant permet de créer rapidement un cube en précisant : • la vue de la source de données; • les tables de dimensions; • les tables de faits; • les tables qui servent de passerelles dans des relations de dimensions de type plusieurs à plusieurs.

240

——————————————————————————————————————————————

8. Méthode de conception des cubes avec SSAS

Après que le cube a été créé grâce à l’assistant, il est possible de revenir sur tous les composants du cube grâce au concepteur de cube. Il est possible de tester le cube, d’ajouter de nouvelles dimensions à des groupes de mesures et d’ajouter des groupes de mesure. Les objets qui composent le cube sont présentés ci-après. Les mesures sont des données en provenance des tables de faits. On distingue : • les mesures physiques définies à partir des colonnes de la vue source; • les mesures calculées dérivées d’autres colonnes de la table de faits. Les calculs sont élaborés grâce au langage MDX (Multidimensional Expressions); • les fonctions d’agrégation permettent des fonctions de type sum, count, min, max, distinct count. Les groupes de mesures rassemblent des mesures extraites d’une même table de fait et dont la granularité est définie par les dimensions. Le cube rassemble dimensions, mesures et groupes de mesure. Ceux-ci se comportent comme les cubes virtuels de la version MSAS 2000, les cubes virtuels étant le résultat de jointure de cubes physiques distincts.

Figure 8.14 — Cellules feuilles

8.1 Organisation logique des cubes

—————————————————————————————————————————————————————————

241

La base de données Analysis Services peut héberger plusieurs cubes. Pour une bonne organisation, il est préférable de ne traiter qu’un seul cube par base de données. Lorsque de nombreuses mesures et dimensions sont disponibles dans le cube, il est souhaitable de présenter les informations d’entreprise en fonction du métier de l’utilisateur. C’est le rôle des perspectives. Cette fonctionnalité est disponible uniquement dans la version SQL Server Enterprise. Les cellules se distinguent en cellules feuilles (terminales) et cellules non terminales non-feuilles. Dans SSAS, la cellule représente l’unique intersection logique d’un membre de n’importe quelle dimension référencée dans un cube. Un cube se compose essentiellement de cellules, rassemblées dans des groupes de mesures et classées par dimension. Un membre non-feuille est un membre qui possède un ou plusieurs membres enfants. Dans ce cas, la valeur de la cellule dérive le plus souvent de l’agrégation de membres enfants associés au membre non-feuille. Dans la figure 8.14, une seule cellule est ombrée. Cette cellule est l’intersection des membres suivants : • le membre avion de la dimension Itinéraire;

Figure 8.15 — Cellules non-feuilles

242

——————————————————————————————————————————————

8. Méthode de conception des cubes avec SSAS

• le membre Afrique de la dimension Source; • le membre quatrième trimestre de la dimension Temps; • la mesure Packages. La valeur de la mesure Packages (240 dans notre exemple) peut être extraite directement de la colonne correspondante d’une ligne de la table de faits, car tous les membres sont terminaux (feuilles). Dans l’exemple fourni par la figure 8.15, les deux cellules en grisé représentent un agrégat du 3e et 4e trimestre soit le 2e semestre. Le membre du 2e semestre est non-feuille car tous les membres qui lui sont associés doivent être agrégés. La dimension Mesures fait l’objet d’un traitement particulier. Cette dimension regroupe les données numériques faisant l’objet de traitement d’agrégation.

8.1.4 L’utilisation des dimensions L’onglet « utilisation de la dimension » permet rapidement d’observer quelles dimensions participent à quels groupes de mesures. La structure du cube fait apparaître le groupe de mesures ainsi que les dimensions générées avec l’assistant. Chaque groupe de mesures rassemble des données en provenance d’une même table de faits. On observe que les trois dates différentes dans les tables de faits ont généré trois axes dimensionnels différents (Due Date, Order Date, Ship Date).

Figure 8.16 — La structure du cube présente les groupes de mesures et le dimensions du cube

8.1 Organisation logique des cubes

—————————————————————————————————————————————————————————

243

L’onglet Utilisation de la dimension permet, pour chaque groupe de mesures, de préciser si telle ou telle dimension participe à ce groupe et à quel niveau de granularité. On trouve fréquemment des niveaux de granularité différents. C’est le cas lorsque l’on désire comparer des prévisions (table de faits prévus) connues à un niveau trimestriel alors que la table de faits réalisés fournit des données quotidiennes.

Figure 8.17 — L’onglet utilisation de la dimension

Chaque table de faits dans la vue des sources de données constitue un groupe de mesures. Chaque dimension peut participer ou non à une agrégation de mesure. À chaque intersection d’une mesure et d’une dimension, on peut trouver différents types de relations entre les tables de faits et les dimensions : • Aucune dimension : la table de faits et la table de dimension ne sont pas associées. • Normale : la table de dimension est directement jointe à la table de faits. • Fait : la table de dimension est la table de fait. • Référencé : la table de dimension est jointe à une table intermédiaire, ellemême jointe à la table de faits.

244

——————————————————————————————————————————————

8. Méthode de conception des cubes avec SSAS

• Plusieurs à plusieurs : la table de dimension est jointe à une table de faits intermédiaire, elle-même jointe à un table de dimension qui à son tour est jointe à une table de dimension intermédiaire, cette dernière étant jointe à la table de faits. SSAS simplifie en proposant une jointure entre la dimension et un groupe de mesures intermédiaire. • Exploration des données : la dimension cible est basée sur un modèle d’exploration de données (voir algorithmes dans le chapitre « Data mining »).

8.1.5 Les calculs La création de calculs portant sur différents objets du cube (mesures, dimensions, membres, etc.) nécessite l’utilisation du langage MDX. Parce qu’il est dans la nature humaine de résister à tout nouvel apprentissage, SSAS fournit encore une fois un point d’entrée relativement aisé grâce à un assistant dont le but est d’occulter une grande part de complexité. Il s’agit de l’outil d’ajout de business intelligence qui permet de créer plusieurs types de calculs.

Figure 8.18 — Formulaire permettant de créer une mesure calculée

De nombreux calculs sont aisés à créer tels que des sommes de mesures ou des ratios. Les mesures calculées s’ajoutent à la liste des mesures existantes. Pour l’utilisateur final, il n’existe pas de différences entre une mesure physique et une mesure calculée. Dans l’exemple ci-dessous, nous créons une mesure calculée nommée MoyenneDesVentes dont l’expression de calcul est obtenue par glisser déplacer des mesures

8.1 Organisation logique des cubes

—————————————————————————————————————————————————————————

245

du volet de gauche vers le champ Expression. La fonction division a été fournie manuellement. L’assistant génère la commande MDX suivante : CALCULATE; CREATE MEMBER CURRENTCUBE.[MEASURES].MoyenneDesVentes AS [Measures].[Internet Sales-Sales Amount]/[Measures].[Internet Sales Count], FORMAT_STRING = "Percent", VISIBLE = 1;

Une liste de fonctions est fournie grâce à l’onglet Fonction. On y retrouve des fonctions statistiques (arithmétiques), temporelles, de manipulation de chaîne de caractères, conditionnelles, etc. Il faudra rester vigilant sur la complexité des calculs car les mesures calculées font l’objet de traitement d’agrégation à la volée, au moment de l’affichage. Les mesures calculées ne sont pas stockées dans le cube. Les membres calculés sont définis à l’intérieur des dimensions plutôt que dans les mesures. Les jeux nommés représentent un ensemble de membres de dimensions. Par exemple, un jeu nommé peut représenter un groupe de produits, ou un sousensemble de clients que l’on veut identifier rapidement.

8.1.6 Ajouter de la business intelligence À moins que vous ne soyez un expert en langage MDX, la meilleure méthode pour vous initier au langage MDX est d’utiliser l’assistant de business intelligence. Cet assistant propose un ensemble de calculs que l’on rencontre fréquemment dans l’entreprise. Le bouton Ajouter de la business intelligence vous permet de lancer l’assistant qui propose un certain nombre d’améliorations telle que : • Assistant Time Intelligence : permet d’ajouter des vues supplémentaires paramétrées en fonction du temps et du niveau hiérarchie sélectionné. Il est ainsi possible de calculer des mesures de type Year to Date (période-àdate), moyenne mobile, moyenne sur douze mois et comparaison de périodes en valeur et en pourcentage. Cet assistant ne fonctionne que si au moins une dimension date existe dans le cube. • Intelligence comptable : permet d’attribuer des classifications comptables standard, par exemple les bénéfices et les dépenses, aux membres d’un attribut de compte. Le serveur utilise ces classifications pour agréger les comptes (débit/crédit, positif ou négatif).

246

——————————————————————————————————————————————

8. Méthode de conception des cubes avec SSAS

• Intelligence des dimensions : identifie une dimension et ses attributs comme étant de types prédéfinis tels que produits, clients, taux, temps etc. Lorsque le type de dimension a été défini, des valeurs calculées additionnelles peuvent être créées en utilisant la définition de la dimension. • Opérateur unaire pour remplacer l’agrégation par défaut qui est associée aux membres dans une hiérarchie parent-enfant. • Formule de membre personnalisée : pour remplacer l’agrégation par défaut d’une hiérarchie par les résultats d’une expression MDX. • Ordre de classement des attributs pour spécifier comment les membres d’un attribut sont classés. Ils peuvent être classés d’après le nom ou la clé de l’attribut, ou d’après le nom ou la clé d’un autre attribut. Par défaut, les membres sont classés par le nom. • Écriture différée de la dimension permet aux utilisateurs de modifier manuellement la structure de la dimension. Les mises à jour effectuées sur une dimension activée en écriture sont enregistrées directement dans la table de la dimension. • Comportement semi-additif définit la méthode d’agrégation pour les mesures ou les membres individuels d’un attribut de type compte. • Conversion monétaire définit les règles de conversion et d’analyse des données multinationales du cube. Les règles de conversion s’appliquent au niveau du cube dans le script de calcul.

8.1.7 Les indicateurs clé de performance (KPI) Les indicateurs clé de performance mesurent la santé de l’entreprise. Ces dispositifs sont généralement mis à disposition des managers afin de leur permettre de piloter leur business. À l’instar d’un tableau de bord de voiture qui regroupe les cadrans essentiels pour la conduite du véhicule, on retrouve ces indicateurs de pilotage de l’entreprise au sein du « digital dashBoard » ou tableau de bord numérique de l’entreprise. Celui-ci offre une vue synthétique de l’activité et grâce à des systèmes d’alerte permet en un seul coup d’œil de contrôler toute dérive au sein de l’entreprise. Afin d’interpréter ces indicateurs visuels, il est nécessaire de disposer d’outils capables de lire et de restituer les KPI de SQL Server 2005. On dispose d’outils tels qu’Excel (à partir de la version 2007) ou Panorama Software. Un indicateur clé de performance reflète cinq niveaux d’observation : très bon, bon, moyen, mauvais, très mauvais.

8.1 Organisation logique des cubes

—————————————————————————————————————————————————————————

247

Un indicateur clé est conçu à partir de quatre composants : • L’expression de valeur résulte d’une simple mesure ou d’un membre calculé. Exemple : [Measures].[Reseller Sales-Sales Amount]. • L’expression de l’objectif à atteindre, en général une expression MDX, ou peut-être un membre ou un attribut de dimension. Exemple : [Measures].[Sales Amount Quota].

Figure 8.19 — Liste des indicateurs d’état

• L’état avec son indicateur d’état très visuel. Tapez l’expression MDX qui renvoie la valeur d’état de l’indicateur de performance clé lorsque ce dernier est exécuté. Faites glisser les éléments sélectionnés du volet Outils de calcul vers cette option pour inclure la syntaxe MDX des éléments sélectionnés. Il est recommandé que cette expression renvoie une valeur décimale comprise entre – 1 et 1. Une valeur inférieure à zéro représente une situation négative alors qu’une valeur supérieure à zéro représente une situation positive. Exemple de code calculant l’état de l’indicateur : Case When KpiValue("Reseller Revenue")/KpiGoal ("Reseller Revenue") >=.95 Then 1 When KpiValue("Reseller Revenue")/KpiGoal ("Reseller Revenue") < .95 And KpiValue("Reseller Revenue")/KpiGoal ("Reseller Revenue") >=.85 Then 0 Else – 1 End

• La tendance. La tendance est représentée par des valeurs numériques qui se traduisent graphiquement par des flèches. Case When IsEmpty ( ParallelPeriod ( [Date].[Calendar Time].[Calendar Year], 1,

248

——————————————————————————————————————————————

8. Méthode de conception des cubes avec SSAS

[Date].[Calendar Time].CurrentMember ) ) Then 0 When ( KpiValue("Reseller Revenue") – ( KpiValue ("Reseller Revenue"), ParallelPeriod([Date].[Calendar Time].[Calendar Year], 1, [Date].[Calendar Time].CurrentMember) ) / ( KpiValue ("Reseller Revenue"), ParallelPeriod([Date].[Calendar Time].[Calendar Year], 1, [Date].[Calendar Time].CurrentMember) ) ) >=.02 Then 1 When ( KpiValue("Reseller Revenue") – ( KpiValue ("Reseller Revenue"), ParallelPeriod([Date].[Calendar Time].[Calendar Year], 1, [Date].[Calendar Time].CurrentMember) ) / ( KpiValue ("Reseller Revenue"), ParallelPeriod([Date].[Calendar Time].[Calendar Year], 1, [Date].[Calendar Time].CurrentMember) ) ) =1 et 0 dans le contraire. Voici la structure de la vue : CREATE VIEW [dbo].[vTargetMail] AS SELECT c.[CustomerKey], c.[GeographyKey], c.[CustomerAlternateKey], c.[Title], c.[FirstName], c.[MiddleName], c.[LastName], c.[NameStyle], c.[BirthDate], c.[MaritalStatus], c.[Suffix], c.[Gender], c.[EmailAddress], c.[YearlyIncome], c.[TotalChildren], c.[NumberChildrenAtHome], c.[EnglishEducation], c.[SpanishEducation], c.[FrenchEducation], c.[EnglishOccupation], c.[SpanishOccupation], c.[FrenchOccupation], c.[HouseOwnerFlag], c.[NumberCarsOwned], c.[AddressLine1], c.[AddressLine2], c.[Phone], c.[DateFirstPurchase], c.[CommuteDistance], x.[Region], x.[Age], CASE x.[Bikes] WHEN 0 THEN 0 ELSE 1 END AS [BikeBuyer]

9.3 Créer le modèle d’une campagne ciblée

—————————————————————————————————————————————————

267

FROM [dbo].[DimCustomer] c INNER JOIN ( SELECT [CustomerKey] ,[Region] ,[Age] ,Sum( CASE [EnglishProductCategoryName] WHEN ‘Bikes’THEN 1 ELSE 0 END) AS [Bikes] FROM [dbo].[vDMPrep] GROUP BY [CustomerKey] ,[Region] ,[Age] ) AS [x] ON c.[CustomerKey] = x.[CustomerKey]

La vue vDMPrep qui participe elle-même à la vue vTargetMail est basée sur le schéma en flocon dont la table de fait centrale est FactInternetSales et les tables dimensionnelles : Customers, DimProduct, DimProductSubcategory, DimProductCategory, DimCustomer, DimGeography, DimSalesTerritory.

Figure 9.3 — Voici la vue vTargetMail

Cette vue permet de déterminer l’âge du client au moment de l’extration grâce à la fonction DateDiff(yy, c.[BirthDate], GetDate()) qui calcule l’écart en années entre la date du jour et la date de naissance. La vue constitue également des tranches de revenu selon les gains annuels. Yearly Income est déterminé comme Low, Moderate ou High selon que le revenu annuel est inférieur à 40 000, compris entre 40 000 et 60 000 ou supérieur à 60 000. Les noms longs sont réduits afin d’offrir plus de lisibilité dans le modèle.

268

————————————————————————————————————————————————————————————————————————

9. Le data mining

CREATE VIEW [dbo].[vDMPrep] AS SELECT pc.[EnglishProductCategoryName] ,Coalesce(p.[ModelName], p.[EnglishProductName]) AS [Model] ,c.[CustomerKey] ,s.[SalesTerritoryGroup] AS [Region] ,CASE WHEN Month(GetDate()) < Month(c.[BirthDate]) THEN DateDiff(yy, c.[BirthDate], GetDate()) – 1 WHEN Month(GetDate()) = Month(c.[BirthDate]) AND Day(GetDate()) < Day(c.[BirthDate]) THEN DateDiff(yy, c.[BirthDate], GetDate()) – 1 ELSE DateDiff(yy, c.[BirthDate], GetDate()) END AS [Age] ,CASE WHEN c.[YearlyIncome] < 40000 THEN ‘Low’ WHEN c.[YearlyIncome] > 60000 THEN ‘High’ ELSE ‘Moderate’ END AS [IncomeGroup] , t.[CalendarYear] , t.[FiscalYear] , t.[MonthNumberOfYear] AS [Month] , f.[SalesOrderNumber] AS [OrderNumber] , f.SalesOrderLineNumber AS LineNumber , f.OrderQuantity AS Quantity , f.ExtendedAmount AS Amount FROM [dbo].[FactInternetSales] f INNER JOIN [dbo].[DimTime] t ON f.[OrderDateKey] = t.[TimeKey] INNER JOIN [dbo].[DimProduct] p ON f.[ProductKey] = p.[ProductKey] INNER JOIN [dbo].[DimProductSubcategory] psc ON p.[ProductSubcategoryKey] = psc.[ProductSubcategoryKey] INNER JOIN [dbo].[DimProductCategory] pc ON psc.[ProductCategoryKey] = pc.[ProductCategoryKey] INNER JOIN [dbo].[DimCustomer] c ON f.[CustomerKey] = c.[CustomerKey] INNER JOIN [dbo].[DimGeography] g ON c.[GeographyKey] = g.[GeographyKey] INNER JOIN [dbo].[DimSalesTerritory] s ON g.[SalesTerritoryKey] = s.[SalesTerritoryKey] ;

Voici le résultat de la vue vDMPrep (tableau 9.1).

11003

21768

25863

28389

11005

11011

Mountain100

Road-650

Road-150

Mountain100

Mountain100

Mountain100

Mountain100

Road-150

Road-150

Road-150

Road-150

Road-150

Road-150

Road-150

Road-650

Bikes

Bikes

Bikes

Bikes

Bikes

Bikes

Bikes

Bikes

Bikes

Bikes

Bikes

Bikes

Bikes

Bikes

Bikes

25249

16529

16483

13591

27606

13513

27645

16624

14501

CustomerKey

Model

EnglishProduct

59

North America

Pacific

Pacific

Pacific

48

28

55

53

49

North America Europe

64

44

North America Europe

33

42

40

41

Pacific

Pacific

Pacific

Europe

59

68

North America

North America

38

Pacific

Region Age

High

Low

Moderate

High

High

Low

High

High

Moderate

High

Low

Moderate

High

High

High

2001

2001

2001

2001

2001

2001

2001

2001

2001

2001

2001

2001

2001

2001

2001

2002

2002

2002

2002

2002

2002

2002

2002

2002

2002

2002

2002

2002

2002

2002

Income- Calendar- Fiscal Group Year Year

7

7

7

7

7

7

7

7

7

7

7

7

7

7

7

Month

Tableau 9.1 — Résultat de la vue vDMPrep

SO43717

SO43716

SO43715

SO43714

SO43711

SO43712

SO43702

SO43703

SO43705

SO43704

SO43698

SO43699

SO43697

SO43700

SO43701

OrderNumber

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

LineQuanNumber tity

699,0982

3 578,2700

3 578,2700

3 578,2700

3 578,2700

3 578,2700

3 578,2700

3 578,2700

3 399,9900

3 374,9900

3 399,9900

3 399,9900

3 578,2700

699,0982

3 399,9900

Amount

9.3 Créer le modèle d’une campagne ciblée —————————————————————————————————————————————————

269

270

————————————————————————————————————————————————————————————————————————

9. Le data mining

Les données sources sont maintenant définies. Nous allons construire le modèle de publipostage ciblé.

9.3.3 Créer le modèle Le besoin métier s’exprime selon ces termes : l’équipe marketing désireuse d’augmenter ses ventes souhaite communiquer au moyen d’une campagne de publipostage. Les coûts d’une telle campagne étant lourds, le service marketing souhaite connaître les critères qui caractérisent les acheteurs de vélos afin de déduire parmi un lot de prospects ceux qui sont le plus susceptibles d’acheter. Il s’agit d’un problème de classification pour lequel les algorithmes Naïve Bayes, Decision tree et Clusters sont particulièrement adaptés.

Figure 9.4 — L’explorateur de solutions permet de créer un modèle d’exploration

Nous devons commencer par créer une nouvelle structure d’exploration de données à partir de la base de données relationnelle. Un clic droit sur Structures d’exploration de données permet de lancer l’assistant de création du modèle. Il serait également possible d’établir un modèle basé sur un cube OLAP. Nous choisissons tout d’abord l’algorithme MDT (Microsoft Decision Trees).

Figure 9.5 — Un choix de neuf algorithmes est proposé

9.3 Créer le modèle d’une campagne ciblée

—————————————————————————————————————————————————

La vue des sources de données est la requête vTargetMail.

Figure 9.6 — Spécifier les types de tables. Ici vTargetMail représente le fichier des cas à analyser

Figure 9.7 — Option Customer Key

271

272

————————————————————————————————————————————————————————————————————————

9. Le data mining

Le formulaire des données d’apprentissage définit les clés et les colonnes à prévoir. La clé est déterminée grâce au champ CustomerKey, lui-même défini en tant que clé dans la source. Le champ à prévoir est BikeBuyer. En ce qui concerne les colonnes en entrée, nous allons demander à l’assistant de nous suggérer les champs les plus susceptibles d’entrer dans le processus prédictif. Le bouton Suggérer permet de lister ces champs.

Figure 9.8 — Formulaire de suggestion des colonnes susceptibles d’entrer dans le processus prédictif

L’assistant effectue un choix parmi les types de données et les types de contenus. Il est conseillé de vérifier les choix effectués par l’assistant. Complétez la sélection des colonnes pertinentes en cochant les entrées désirées. Donnons le nom Publipostage Ciblé à la structure d’exploration puis Decision_Tree au modèle d’exploration. Avant de traiter le modèle d’exploration, nous ajouterons deux modèles complémentaires respectivement basés sur les algorithmes Microsoft Clustering et Microsoft Naïve Bayes.

9.3 Créer le modèle d’une campagne ciblée

—————————————————————————————————————————————————

273

L’ajout s’effectue sans difficulté puisque le modèle de base (Decision Tree) fournit les éléments aux deux autres modèles .

Figure 9.9 — Formulaire présentant les types de contenu (Continu, Discret ou Clé) et les types de données des colonnes sélectionnées

Le modèle Naïve Bayses ne traite que des données discrètes. Il ignore ainsi les données comme le revenu annuel ou l’âge du client qui sont considérés comme des variables continues. Nous procédons ensuite au déploiement des modèles et à leur traitement.

274

————————————————————————————————————————————————————————————————————————

9. Le data mining

Figure 9.10 — Terminer en attribuant un nom à la structure d’exploration

Figure 9.11 — Ajout d’un nouveau modèle basé sur l’algorithme Naïve Bayes

9.3 Créer le modèle d’une campagne ciblée

—————————————————————————————————————————————————

275

Figure 9.12 — L’onglet Modèles d’exploration affiche les trois modèles qui participent à l’analyse du cas « mailing ciblé »

Naviguer dans le modèle Decision Tree La navigation dans les modèles s’effectue grâce à l’onglet visionneuse de modèle d’exploration. La visionneuse offre le choix entre les trois modèles (Decision Tree, Naïve Bayes ou Clusters). Dans la liste déroulante nous choisissons le modèle Decision_Tree. L’arborescence propose une liste des variables à prévoir. Ici, une seule variable est à rechercher : Bike Buyer. Cette variable prend la valeur 1 lorsque le client a acheté au moins un vélo et 0 dans le cas contraire. Afin de suivre le mode de répartition des acheteurs, nous sélectionnons la valeur 1. L’arrière-plan de chaque nœud se teinte en fonction de la fréquence du cas. Dans l’arborescence du modèle, on observe quels sont les facteurs les plus importants qui déterminent les acheteurs. On observe que l’âge de l’acheteur vient en première position suivi du nombre d’enfant au foyer. Viennent ensuite des critères de revenu puis de région. Chaque nœud affiche une trame de couleur plus ou moins foncée. Plus le critère recherché (ici les acheteurs de vélos) est important, plus foncée sera la couleur du fond du nœud.

276

————————————————————————————————————————————————————————————————————————

9. Le data mining

Figure 9.13 — La visionneuse de modèle. Ici, modèle d’exploration Decision_Tree

Le nœud racine est toujours le plus sombre. Portons notre attention sur le nœud racine. La légende d’exploration nous indique que 18 484 cas ont été recensés, se répartissant en 9 132 cas représentant 49,39 % d’acheteurs et 9 352 cas de non-acheteurs représentant 50,58 %. La barre graphique répartit les proportions entre les acheteurs et le non acheteurs matérialisée par des couleurs différentes.

Figure 9.14 — Légende d’exploration du nœud sélectionné

En suivant l’arborescence selon les nœuds les plus sombres, on observe que la population des 39-53 ans est celle qui achète le plus de vélos (3 934 acheteurs). Parmi cette population, on observe que les acheteurs sont ceux qui n’ont

9.3 Créer le modèle d’une campagne ciblée

—————————————————————————————————————————————————

277

pas d’enfant au foyer, qui ont un revenu supérieur à 26 000 € et qui n’habitent pas en Amérique du Nord. Il est possible d’extraire cette population puis de copier la liste dans Excel ou Word afin d’effectuer un publipostage.

Figure 9.15 — Fenêtre d’extraction d’un nœud. On observe que la colonne Bike Buyer comprend acheteurs et non-acheteurs

Effectuez un filtrage sur Bike Buyer = 1 pour obtenir uniquement les acheteurs de vélos. Comprendre le réseau de dépendance. Lorsque les critères sont nombreux, il n’est pas toujours aisé de comprendre les facteurs qui participent à la détermination de la variable à prévoir. L’onglet de réseau de dépendance permet de sélectionner un nœud puis à l’aide des liens qui pointent vers ce nœud d’en connaître les attributs qui le déterminent. La réglette

Figure 9.16 — Le réseau de dépendance montre les liens qui ont un fort degré de dépendance avec le critère Bike Buyer

278

————————————————————————————————————————————————————————————————————————

9. Le data mining

verticale sur le côté droit permet de faire apparaître progressivement ces liens (du poids le plus fort au poids le plus faible). Dans notre cas, il est aisé de constater que les liens les plus forts sont l’âge, le nombre d’enfants au foyer, le revenu, le nombre de voitures possédées et la région. Ces liens sont apparus dans l’ordre précité. Naviguer dans le modèle Naïve Bayes Le choix du navigateur Naïve Bayes permet d’observer le même cas d’une façon différente. Dans ce modèle, les variables continues ont été exclues (âge et revenu). Chaque attribut génère une ligne avec une colonne représentant les différents états de l’attribut, puis autant de colonnes qu’il y a d’états possibles pour la valeur à prévoir (Bike Buyers = 1 ou 0).

Figure 9.17 — Le modèle Naives Bayes présente uniquement les variables discrètes

À l’intersection d’une ligne et d’une colonne, on peut observer la distribution. L’onglet Caractéristique d’attribut se présente comme suit dans la figure 9.19. Cet onglet permet de sélectionner un attribut (acheteur de vélo) et d’établir des liens décroissants avec d’autres attributs.

9.3 Créer le modèle d’une campagne ciblée

—————————————————————————————————————————————————

279

Figure 9.18 — Légende d’exploration des données. La figure 9.18 montre la distribution des acheteurs en fonction du nombre d’enfants au foyer (62,7 % des acquéreurs n’ont pas d’enfants)

Figure 9.19 — Onglet Caractéristiques d’attribut

Du tableau représenté dans la figure 9.19, il est possible de déduire que les acheteurs de vélos ont une forte probabilité de ne pas avoir d’enfants, de ne pas être de la région Amérique du Nord, de niveau bachelier, etc. On observe que l’absence des critères d’âge et de revenu dans l’analyse Naïve Bayses entraîne des résultats différents de ceux de l’algorithme d’arbre de décision. Il peut être intéressant de comparer deux groupes côte à côte. Si l’on désire comparer les acheteurs et les non-acheteurs, nous obtenons le graphe de la figure 9.20. On peut déduire du tableau qui précède que les acheteurs de vélos ne possèdent pas d’auto alors que ceux qui n’achètent pas de vélos possèdent deux autos.

280

————————————————————————————————————————————————————————————————————————

9. Le data mining

Figure 9.20 — L’onglet Discrimination d’attribut permet une comparaison deux à deux

Les acheteurs de vélos ont un enfant et habitent la région Pacifique, etc. Plusieurs attributs peuvent se retrouver avec des poids relatifs différents. Naviguer dans le modèle clusters Le diagramme cluster permet d’établir des relations entre des groupes homogènes. Les lignes qui relient les clusters sont plus denses si les liens entre clusters sont étroits. Le curseur à gauche du diagramme permet d’appliquer un filtre afin d’occulter les liens les moins forts (figure 9.21). Dans le diagramme ci-après, le cluster 6 (en bas) contient la plus grande quantité d’acheteurs de vélos. Un lien avec le cluster 1 apparaît comme très étroit. Évaluer le modèle Maintenant que nous avons mis en place nos trois modèles, nous devons les évaluer afin de déterminer lequel est le meilleur pour prédire le profil d’acheteur. Pour cela, nous allons appliquer successivement nos modèles sur une table de cas dont les résultats sont déjà connus. Le but étant de comparer la capacité de prédiction de chaque algorithme avec la réalité. • Sélectionner une table de cas (différente de la table qui a servi à modéliser).

9.3 Créer le modèle d’une campagne ciblée

—————————————————————————————————————————————————

Figure 9.21 — Le diagramme de cluster permet de réaliser des groupes homogènes

Figure 9.22 — Graphique d’analyse de précision pour la valeur 1 = acheteurs

281

282

————————————————————————————————————————————————————————————————————————

9. Le data mining

• Effectuer le mappage des colonnes entre la structure d’exploration et les champs de la table de cas. Le mappage s’effectue naturellement lorsque les noms de colonnes sont identiques. • Le filtrage des lignes d’entrée permet d’affiner la recherche dans la table de cas. • Sélectionnez les modèles qui seront inclus dans le graphique. • Sélectionnez la ou les colonnes prévisibles (ne sont proposées que les colonnes dont le type est Predict ou Predict Only). • Sélectionnez une valeur prévisible afin de montrer l’efficacité du modèle. Si vous ne précisez pas de valeur prévisible, le graphique montre le degré de précision du modèle. Le graphique de courbe d’élévation permet de comparer la précision des trois algorithmes.

Figure 9.23 — Graphique de courbes d’élévation comparant les trois algorithmes

La requête de prévision s’exécute sur le serveur. La courbe idéale est matérialisée par la diagonale. Les algorithmes matérialisés par les trois courbes peuvent ainsi être comparés entre eux :

9.3 Créer le modèle d’une campagne ciblée

—————————————————————————————————————————————————

283

• L’algorithme Decision Tree permet un remplissage correct de 52 sur 65; • L’algorithme Naïve Bayes permet un remplissage correct de 46 sur 68; • L’algorithme Cluster permet un remplissage correct de 39 sur 63.

Créer le graphique des bénéfices Ajoutons une dimension financière à notre modèle en cherchant à connaître le profit généré par chacun des algorithmes. Prenons comme hypothèse les éléments suivants : • cible de clients : 5 000; • coût fixe de la campagne (frais de conception et d’impression) : 10 000 €; • coût variable de 5 € par client (expédition); • le service marketing estime à 50 € par personne par vente réussie.

Figure 9.24 — Formulaire permettant de recueillir les caractéristiques financières et d’estimation

Figure 9.25 — Graphique des bénéfices prévisibles en fonction du modèle

284

————————————————————————————————————————————————————————————————————————

9. Le data mining

L’axe Y du graphique représente les bénéfices, tandis que l’axe X représente le pourcentage de la population contactée. La meilleure performance financière est donnée grâce à l’algorithme Decision Tree. Un graphique des bénéfices montre une augmentation des bénéfices jusqu’à un certain point. Ensuite, plus le nombre d’individus contactés augmente moins les bénéfices augmentent. Le graphique des bénéfices contient une ligne verticale grise et positionnée par défaut à 50 %. Cette barre peut être ajustée en cliquant dans le graphique. Le calcul des bénéfices est recalculé immédiatement. Si vous sélectionnez le point des bénéfices maximaux dans le graphique en utilisant la ligne grise, vous observez une valeur qui détermine un seuil de probabilité lié au fait de contacter un client.

Figure 9.26 — Bénéfices maximaux avec un remplissage de 88 euros

Dans l’exemple ci-dessus, le sommet de la courbe des bénéfices se trouve à 88 % de remplissage pour une probabilité de prévision de 13,77 %. Cela indique que pour réaliser des bénéfices maximaux, vous devez contacter uniquement les clients dont la réponse est prévue avec une probabilité de 13,77 % ou plus. Comment sélectionner la liste des clients potentiels dans un jeu de données ? Lorsque nous avons choisi un modèle d’exploration, il convient de créer une requête DMX (Data Mining Extensions). Cette requête de prévision permet de sélectionner dans une table de cas une liste de clients potentiels. Dans l’exemple suivant, la table à examiner est ProspectiveBuyer. La première source de la prévision repose sur le modèle Decision_Tree avec le champ prévisible Bike Buyer. La seconde source fournit l’identifiant unique du prospect ProspectAlternateKey. La troisième source PredictProbability fournit le degré de probabilité.

9.3 Créer le modèle d’une campagne ciblée

—————————————————————————————————————————————————

Figure 9.27 — Mappage des données du modèle de prévisions avec les champs de la table d’entrée

Voici la requête DMX générée par l’assistant : SELECT [TM Decision Tree].[Bike Buyer], t.[ProspectAlternateKey], PredictProbability([bike buyer]) From [TM Decision Tree] PREDICTION JOIN OPENQUERY([Adventure Works DW], ‘SELECT [ProspectAlternateKey], [MaritalStatus], [Gender], [YearlyIncome], [TotalChildren], [NumberChildrenAtHome], [Education], [Occupation], [HouseOwnerFlag], [NumberCarsOwned] FROM [dbo].[ProspectiveBuyer] ‘) AS t

285

286

————————————————————————————————————————————————————————————————————————

9. Le data mining

Figure 9.28 — Copier dans Excel la liste extraite

ON [TM Decision Tree].[Marital Status] = t.[MaritalStatus] AND [TM Decision Tree].[Gender] = t.[Gender] AND [TM Decision Tree].[Yearly Income] = t.[YearlyIncome] AND [TM Decision Tree].[Total Children] = t.[TotalChildren] AND [TM Decision Tree].[Number Children At Home] = t.[NumberChildrenAtHome] AND [TM Decision Tree].[Education] = t.[Education] AND [TM Decision Tree].[Occupation] = t.[Occupation] AND [TM Decision Tree].[House Owner Flag] = t.[HouseOwnerFlag] AND [TM Decision Tree].[Number Cars Owned] = t.[NumberCarsOwned]

Le résultat de la requête peut être envoyé dans Excel puis traité en ne sélectionnant que les acheteurs potentiels c’est-à-dire Bike Buyer = 1.

9.4 Conclusion

———————————————————————————————————————————————————————————————————————————

287

Le code ProspectAlternate identifie précisément le client. L’expression permet de donner la précision de la prédiction. Dans Excel, nous trions la colonne Expression (Probabilité) en mode décroissant. Trions également la colonne Bike Buyer. Nous en déduisons les 1 041 acheteurs potentiels sur une population de 2 059. Notre publipostage portera sur tout ou partie de cette population d’acheteurs (Bike Buyers = 1).

9.4 CONCLUSION Ce chapitre nous a montré les nombreux assistants fournis par Analysis Services. Nous espérons avoir convaincu le lecteur que le data mining n’est pas réservé aux grandes entreprises qui disposent d’un large volume de données. Il n’est pas non plus indispensable d’être statisticien pour exploiter ces nouvelles possibilités. Les entreprises qui se donneront la peine d’exploiter les nombreuses facettes de cet outil découvriront de nouvelles pistes jusque là encore inexplorées.

10 Reporting Services

10.1 QU’EST-CE QUE REPORTING SERVICES ? En janvier 2004, Microsoft introduisait pour la première fois un nouveau composant à SQL Server 2000 : Reporting Services. Ce nouvel outil avait pour but de combler un vide dans la chaîne décisionnelle de Microsoft. En effet, SQL Server 2000 disposait d’un outil OLAP puissant : Analysis Services. Excel per-

Figure 10.1 — Positionnement de Reporting Services dans la chaîne décisionnelle

290

—————————————————————————————————————————————————————————————————————

10. Reporting Services

mettait d’accéder aux cubes et d’effectuer des analyses grâce au tableau croisé dynamique. Or, nous l’avons déjà dit, l’essentiel des données de l’entreprise est consulté au moyen de rapports prédéfinis. À cette époque, Cognos et Business Objects disposaient déjà d’outils de reporting tels que ReportNet et Crystal Report. Microsoft n’a donc pas attendu la version 2005 de SQL pour offrir son module de reporting. Reporting Services regroupe un ensemble d’outils, d’interfaces de programmation, de services run-time et d’outils visant à définir, générer, déployer, et gérer des rapports. Reporting Services comprend un moteur pour héberger et traiter les rapports. Une interface de programmation permet également d’incorporer des rapports dans différents environnements informatiques.

10.1.1

À quoi sert Reporting Services ?

SSRS permet de créer des rapports pour une diffusion interne ou externe à l’entreprise. Reporting Services offre la possibilité d’accéder aussi bien aux bases de données opérationnelles qu’aux magasins de données ou cubes OLAP. Les rapports peuvent être diffusés largement par messagerie électronique ou sur un portail web. Lorsqu’un éditeur de logiciel offre des solutions d’ERP basées sur SQL Server, il peut intégrer Reporting Services dans sa solution afin de proposer des rapports interactifs prédéfinis. Cette solution permet au client final de disposer d’un outil lui permettant de créer lui-même ses propres rapports dynamiques. Ce nouvel outil, Report Builder, isole la complexité de la base de données en exposant la couche métier à l’utilisateur. SSRS permet aux entreprises de mettre des rapports à disposition sur le Web. Elles peuvent en effet concevoir des extranets sécurisés à destination de leurs clients et fournisseurs. Voici quelques scénarios d’utilisation de Reporting Services.

Rapports internes • Rapports « Maison » (vente, finance, DRH). • Administrables, accessibles via un portail ou intégrés aux solutions d’entreprise.

Rapports embarqués • Afficher des rapports dans n’importe quelle application d’entreprise (ERP, CRM) ou analytique. • Architecture extensible et flexible.

10.1 Qu’est-ce que Reporting Services ?

—————————————————————————————————————————————————————

291

Rapports collaboratifs • B2B, B2C, échanges inter ou intra entreprises, etc.

Rapports externes • Publier des rapports via extranet, Internet. • Isolation de données, sécurité extensible.

10.1.2

Fonctionnalités de Reporting Services

SSRS gère de manière centralisée le cycle de vie d’un rapport depuis sa création jusqu’à sa diffusion. Il utilise une architecture multiniveau illustrée dans la figure 10.2. Les principaux composants de SSRS sont donnés dans le tableau 10.1. Tableau 10.1 — Composants de SSRS Base de données et sources de données

MS SQL Server (2000 et 2005) MS Analysis Services (la version 2005 remplace la version 2000 sur un même serveur). Toutes sources de données conformes au standard OLE DB, ODBC.

Outils de création de rapports

Générateur de rapports grâce à Visual Studio pour Business. Intelligence. Langage de définition de rapports basé sur le langage XML. De nombreux outils tiers permettent de développer des rapports au format RDL.

Les formats de rapports

Format libre. Format tabulaire. Format matriciel (tableau croisé). Graphique de données. Filtrage dynamique lors de l’exécution. Regroupement en sous-totaux et totaux généraux. Tris ascendant/descendant. Rapports liés activés par lien hypertexte avec passage de paramètres.

Exécution de rapports

Plusieurs formats de restitution (PDF, TIFF, CSV, Excel, XML, Archive web). Planification de l’envoi des rapports à la demande de l’utilisateur ou de l’administrateur.

La gestion des rapports Reporting Services dispose d’une interface web permettant d’effectuer des tâches de gestion de rapports. Le tableau ci-dessous recense les différentes tâches.

Figure 10.2 — Architecture de Reporting Services (source : Microsoft)

SQL Server Catalog

Exportation

Sécurité

Web Service

Formatage

Report Processing

Report Server

WMI

Application

Interrogation des données

URL

Administration

Cibles (Courrier, Fichier, Autres)

Formats (HTML, Excel, PDF, Autres)

Report Builder —————————————————————————————————————————————————————————————————————

Services Sécurité (NT, Passeport, Autre)

Sources de données (SQL, OLE DB, ODBC, Oracle, clients)

Navigateur

292 10. Reporting Services

10.1 Qu’est-ce que Reporting Services ?

—————————————————————————————————————————————————————

293

Tableau 10.2 — Tâches de gestion de rapports Gestion des sources de données

Connexions aux serveurs avec authentification.

Gestion des paramètres des rapports

Valeurs par défaut proposées Invites avec listes déroulantes.

Planification de l’exécution des rapports

SQL Server Agent doit être installé et en service.

Mode d’exécution des rapports

Direct. Mise en cache. Capture instantanée. Historique des rapports exécutés conservé pour consultation ultérieure.

Sécurité

Utilisateurs. Groupes. Rôles.

Report Server Web Application

Définir la sécurité. Planifier l’exécution et la remise de rapports. Effectuer le suivi des rapports. API de service web.

Le rendu des rapports

Format HTML et XML. Format d’impression PDF et TIFF. Format Excel, CSV. Autres formats via API ouvertes.

Options de remise

Exécutions planifiées. Exécutions pilotées par événements. Abonnements. Rapport reçu ou lien avec le serveur. Abonnements pilotés par les données.

Le serveur de rapports (Report Server) contient un moteur qui interprète la définition des rapports, exécute les requêtes et restitue les rapports. Il permet également de planifier l’exécution et l’envoi de rapports en mode sécurisé. Le serveur de rapports héberge un service web permettant à des applications externes de communiquer avec le moteur de rapports. Le gestionnaire de rapports se présente sous la forme d’un portail web fourni avec Reporting Services. Le gestionnaire de rapport est destiné aussi bien à l’utilisateur qui désire exécuter un rapport qu’à l’administrateur désireux de mettre en place la sécurité ou la planification de distribution des rapports. Le concepteur de rapport est hébergé dans l’interface commune de Visual Studio BI. Celle-ci permet grâce à de nombreux assistants de développer et déployer des rapports sans connaissance approfondie de SQL Server.

294

—————————————————————————————————————————————————————————————————————

10. Reporting Services

Figure 10.3 — Le gestionnaire de rapports

Report Builder est un outil client qui permet aux utilisateurs non-programmeurs de définir et déployer des rapports sans aucune connaissance de SQL Server. Report Builder se base sur des modèles conçus à l’aide du concepteur de modèles de rapports (Report Model Designer). Cet outil stocke les définitions de rapports dans la base de données Report Server. Ces rapports peuvent ensuite être modifiés, complétés et publiés par l’utilisateur lui-même via l’interface web.

10.2 LA CRÉATION DE RAPPORT Afin d’illustrer les différents concepts abordés dans le paragraphe précédent, nous allons créer un rapport de ventes de la société AdventureWorks, puis nous le publierons sur le serveur de rapports. Enfin, nous le consulterons via le Web. Avant de créer un nouveau rapport il est nécessaire d’introduire la notion de région de données. Celle-ci peut être liée à de nombreuses sources de données. Dans le principe, une région de données lit un enregistrement contenu dans un jeu d’enregistrements (dataset), remplit une portion du rapport en utilisant les données de l’enregistrement, puis lit l’enregistrement suivant. Ce processus est répété autant de fois qu’il y a d’enregistrements dans le dataset. Un rapport peut être constitué de quatre types de régions : • La table permet de lister le contenu des enregistrements selon un format tabulaire. La table est composée d’un nombre de colonnes fixe et d’un

10.2 La création de rapport

————————————————————————————————————————————————————————————————

295

nombre d’enregistrements variable. Les lignes peuvent être regroupées afin de composer des lignes de totalisation ou sous-totalisation. • Le tableau croisé ou matriciel est composé d’un nombre variable de lignes et de colonnes. Il s’apparente au tableau croisé d’Access. Les lignes et colonnes ne peuvent être interverties lors de l’exploration. Un pseudo drill down permet d’afficher les totaux de ligne puis de déplier les lignes qui composent ce total afin d’en connaître le détail. • La liste permet de créer une section sur voire plusieurs pages pour chaque enregistrement du jeu de données. • Le graphe permet de représenter sous forme visuelle les données relatives à chaque enregistrement. La création de rapport débute dans BI Visual Studio. À l’instar des autres modules de Visual Studio, un assistant guide pas à pas le développeur de rapport. Il suffit ensuite de revenir sur la conception libre du rapport afin d’apporter les modifications souhaitées. La création d’un rapport débute toujours par la définition de la source de données.

Figure 10.4 — Choisir la source de données (ici la base opérationnelle AdventureWorks) Nous utilisons le générateur de requête afin de concevoir le dataset

Figure 10.5 — Le générateur de requête aide le concepteur au travers d’une interface graphique

296

—————————————————————————————————————————————————————————————————————

10. Reporting Services

La requête générée est la suivante : SELECT PC.Name AS ProdCat, PS.Name AS SubCat, DATEPART(yy, SOH.OrderDate) AS OrderYear, ‘Q’ + DATENAME(qq, SOH.OrderDate) AS OrderQtr, SUM(SOD.UnitPrice * SOD.OrderQty) AS Sales FROM Production.ProductSubcategory AS PS INNER JOIN Sales.SalesOrderHeader AS SOH INNER JOIN Sales.SalesOrderDetail AS SOD ON SOH.SalesOrderID = SOD.SalesOrderID INNER JOIN Production.Product AS P ON SOD.ProductID = P.ProductID ON PS.ProductSubcategoryID = P.ProductSubcategoryID INNER JOIN Production.ProductCategory AS PC ON PS.ProductCategoryID = PC.ProductCategoryID WHERE (SOH.OrderDate BETWEEN ‘1/1/2002’ AND ‘31/12/2003’) GROUP BY DATEPART(yy, SOH.OrderDate), PC.Name, PS.Name, ‘Q’+ DATENAME(qq, SOH.OrderDate), PS.ProductSubcategoryID

L’exécution de la requête fournit la liste suivante : Components

Forks

2002

Q4

23543,1060

Bikes

Road Bikes

2002

Q1

3171787,6112

Components

Wheels

2002

Q4

163921,8870

Clothing

Socks

2003

Q3

6968,6884

Bikes

Road Bikes

2003

Q4

3734891,6389

Components

Mountain Frames

2002

Q3

608352,8754

Components

Handlebars

2002

Q4

18309,4452

Accessories

Tires and Tubes

2003

Q3

41940,3364

Components

Road Frames

2003

Q2

457688,8401

Clothing

Vests

2003

Q4

66882,6450

Figure 10.6 — Le générateur de requêtes permet de consulter immédiatement le résultat. La figure 10.6 montre un extrait de la requête précédente

La requête ci-dessus fait l’objet d’une rapport de type tabulaire ou matriciel.

10.2 La création de rapport

————————————————————————————————————————————————————————————————

297

Figure 10.7 — Choisir le type de rapport : tabulaire ou matriciel

L’assistant propose de disposer les champs disponibles en lignes et colonnes. La case à cocher Activer l’exploration vers le bas permet de regrouper/déplier les lignes du rapport.

Figure 10.8 — Formulaire de conception de la matrice du rapport. Disposer les champs en lignes ou colonnes

L’assistant propose six styles d’affichage du rapport. L’assistant termine en proposant un récapitulatif des choix effectués. Le nom du rapport est fourni à cette étape.

298

—————————————————————————————————————————————————————————————————————

10. Reporting Services

Figure 10.9 — Choix du style de rapport

Figure 10.10 — L’assistant propose un résumé des actions effectuées lors de la création du rapport

Après activation du bouton Terminer, l’aperçu du rapport s’effectue dans BI Studio. L’étape suivante consiste à déployer le nouveau rapport sur le serveur de rapport. Au préalable, nos devons nous assurer que le serveur de rapport est correctement paramétré, comme dans la figure 10.12.

10.2 La création de rapport

————————————————————————————————————————————————————————————————

299

Figure 10.11 — Le mode aperçu permet une visualisation immédiate du rapport

Figure 10.12 — Formulaire de configuration précisant l’URL du serveur de rapports

Un clic droit sur la solution AdventureWorks Sample Reports permet de vérifier le paramètre de déploiement. TargetServeurURL doit fournir une adresse telle que http://localhost/reportserver.

300

—————————————————————————————————————————————————————————————————————

10. Reporting Services

Requête MDX sur cube OLAP

Figure 10.13 — Source de données Analysis Services

Grâce au générateur de requête MDX, on utilise la technique du glisser-déplacer afin de préparer les dimensions (date et produit) puis les mesures à analyser.

Figure 10.14 — Le générateur de requête MDX

La requête MDX générée est la suivante : SELECT NON EMPTY {[Measures].[Internet Sales Amount]} ON COLUMNS, NON EMPTY {([Product].[Category].[Category].ALLMEMBERS * Product].[Subcategory].[Subcategory].ALLMEMBERS * [Date].[Calendar].[Month].ALLMEMBERS)} DIMENSION PROPERTIES MEMBER_CAPTION, MEMBER_UNIQUE_NAME ON ROWS FROM [Adventure Works] CELL PROPERTIES VALUE, BACK_COLOR, FORE_COLOR, FORMATTED_VALUE, FORMAT_STRING, FONT_NAME, FONT_SIZE, FONT_FLAGS

La représentation visuelle de la requête précédente est illustrée dans le tableau suivant aux lignes imbriquées.

10.2 La création de rapport

————————————————————————————————————————————————————————————————

301

Figure 10.15 — Le résultat de la requête MDX dans Proclarity

L’assistant propose alors de mettre en forme la matrice. Ne pas oublier d’activer l’exploration vers le bas permettant le regroupement des données et le dépliement des lignes (drill down).

Figure 10.16 — Le concepteur de matrice dispose les axes Produits et Date en lignes et colonnes

302

—————————————————————————————————————————————————————————————————————

10. Reporting Services

Figure 10.17 — Rapport des ventes élaboré à partir d’une source OLAP Analysis Services

L’étape suivante consiste à déployer ce rapport dans Reporting Services. Avant d’exécuter le rapport dans Reporting Services, veillez à établir une source de données partagée et sécurisée selon les paramètres donnés figure 10.18.

Figure 10.18 — Créer une source de donnée personnalisée de type Analysis Services

10.2 La création de rapport

————————————————————————————————————————————————————————————————

303

La source de données doit préciser la chaîne de connexion. Celle-ci est fournie dans le formulaire des propriétés de la source de données partagée comme dans l’exemple de la figure 10.19.

Figure 10.19 — Source de données partagée dans BI Studio

Il convient de préciser également le type de sécurité intégrée de Windows. La barre d’outil permet d’ajouter un graphique au rapport.

Figure 10.20 — Outil d’ajout de graphique

La figure 10.20 montre l’outil graphique et la manière de l’utiliser. Un simple glisser/déposer des champs de la source de données sur les axes du graphe permet de construire un graphe lié au données de la source. L’exemple de la figure 10.21 montre le rendu du rapport après ajout d’un graphe.

304

—————————————————————————————————————————————————————————————————————

10. Reporting Services

Figure 10.21 — Le même rapport qu’en 10.17 avec introduction d’un graphe

L’interface de Reporting Services permet un affichage du rapport qui offre la possibilité de l’exporter selon plusieurs formats : • Fichier au format HTML/XML. Format à privilégier pour des transferts entre plateformes. Ce format n’est pas le plus fidèle et n’est pas à retenir lorsque la disposition du texte nécessite une grande précision. • Fichier au format CSV (ASCII). Texte séparé par des virgules. Ce format est très commun. De plus, il est directement interprété par Excel. • Fichier TIFF (image). • Fichier Acrobat (PDF) fournit un rendu plus fidèle que le format TIFF. PDF est devenu le format standard de lecture grâce au logiciel Adobe Acrobat Reader. Le format TIFF est lu par des logiciels de traitement d’image tels que Windows Picture, Paint ou Fax Viewer. Il est ainsi pos-

10.2 La création de rapport

————————————————————————————————————————————————————————————————

305

sible d’envoyer des documents en pièces jointes grâce à un logiciel de messagerie. • Archive Web. • Excel (versions 97 à 2007).

Figure 10.22 — Le rapport exporté dans Excel (ici version 2007)

Lors de l’exportation, les données sont converties en valeurs permettant ainsi d’être déconnectées de la source des données. Les groupes sont dynamiques et peuvent faire l’objet d’un drill down/drill up. La sortie papier reste cependant un choix très fréquent. Reporting Services offre la possibilité d’imprimer directement côté client. Lors de la première impression, l’utilisateur est averti de l’installation d’un composant ActiveX (bien vérifier que le composant est signé Microsoft). Ce composant permet d’activer l’interface d’impression telle que la gestion des marges, la taille de la page et même l’orientation. Ajouter des paramètres de sélection à un rapport OLAP Lorsque l’on observe la première fois les rapports fournis en standard par SQL Server 2005, la notion de filtrage sur rapports OLAP paraît pertinente, mais en

306

—————————————————————————————————————————————————————————————————————

10. Reporting Services

même temps semble complexe. En réalité, Visual Studio offre un assistant pour les paramètres de filtrage d’une grande simplicité. Fort heureusement, nous n’aurons pas à modifier manuellement le code MDX généré par l’assistant. Dans notre exemple, nous ajouterons successivement un filtre sur l’année puis un second sur la catégorie de produit. Depuis l’onglet Données, nous glissons l’attribut CalendarYear dans la zone réservée au filtrage matérialisée par le texte . Aussitôt une ligne nouvelle apparaît permettant d’effectuer une sélection sur les années. Il est impératif de cliquer dans la case Paramètres afin de générer un nouveau dataset au format MDX permettant ainsi de proposer une liste déroulante à l’utilisateur. Cette fonction permet également d’imbriquer le fitrage dans le dataset initial (AdventureWorksAS).

Figure 10.23 — Ajout d’un paramètre de filtrage

Voici le nouveau code MDX généré : SELECT NON EMPTY {[Measures].[Internet Sales Amount]} ON COLUMNS, NON EMPTY {([Product].[Category].[Category].ALLMEMBERS * [Product].[Subcategory].[Subcategory].ALLMEMBERS * [Date].[Calendar].[Month].ALLMEMBERS)} DIMENSION PROPERTIES MEMBER_CAPTION, MEMBER_UNIQUE_NAME ON ROWS FROM (SELECT (STRTOSET(@DateCalendarYear, CONSTRAINED)) ON COLUMNS FROM [Adventure Works]) WHERE (IIF(STRTOSET(@DateCalendarYear, CONSTRAINED).Count = 1, STRTOSET(@DateCalendarYear, CONSTRAINED), [Date].[Calendar Year].currentmember)) CELL PROPERTIES VALUE, BACK_COLOR, FORE_COLOR, FORMATTED_VALUE, FORMAT_STRING, FONT_NAME, FONT_SIZE, FONT_FLAGS

10.2 La création de rapport

————————————————————————————————————————————————————————————————

307

Un nouveau dataset DateCalendarYear a été créé automatiquement.

Figure 10.24 — Le dataset de filtrage est généré automatiquement

Le dataset DateCalendarYear dispose de quatre champs : • Calendar Year; • ParameterCaption; • ParameterValue; • ParameterLevel. Le formulaire présentant les paramètres du rapport est défini comme dans la figure 10.24.

Figure 10.25 — Formulaire des paramètres du rapport

308

—————————————————————————————————————————————————————————————————————

10. Reporting Services

L’exécution du rapport fait immédiatement apparaître le choix des données.

Figure 10.26 — Aperçu du rapport avec choix de la sélection des années

La même procédure permet d’ajouter un second filtrage sur la catégorie. Le résultat est donné figure 10.26.

Figure 10.27 — Rapport filtré sur deux paramètres : année et catégorie

10.3 LA GESTION DES RAPPORTS Lorsque les rapports sont publiés sur le serveur de rapports, il est indispensable de procéder à un certain nombre de réglages supplémentaires. Généralement, les rapports font l’objet d’une mise en sécurité visant à permettre la consultation uniquement par les personnes autorisées. Les utilisateurs, de plus en plus exigeants, souhaitent obtenir sans délai les informations sur leur activité dans l’entreprise. Ils désirent également recevoir périodiquement leurs informations métier sous forme électronique ou exécuter eux-mêmes les traitements selon leurs besoins.

10.3 La gestion des rapports

———————————————————————————————————————————————————————————————

309

Les utilisateurs et administrateurs accèdent au gestionnaire de rapports à l’adresse suivante : http://localhost/reports. Le gestionnaire de rapports met à disposition de l’administrateur un certain nombre d’outils permettant de répondre à ces contraintes. Passons-les en revue.

10.3.1

La sécurité

Reporting Services met en place plusieurs niveaux de sécurité. • Le gestionnaire de rapports web requiert une authentification Windows. • Les utilisateurs autorisés à accéder au gestionnaire de rapports doivent faire partie du groupe des administrateurs (BUILTIN\Administrateurs). Reporting Services ne gère pas de liste spécifique d’utilisateurs. Il s’appuie totalement sur les utilisateurs et rôles créés dans le système de sécurité de Windows. Si vous désirez autoriser d’autres utilisateurs à accéder aux rapports, vous devrez ajouter de nouveaux utilisateurs ou groupes Windows dans des rôles Reporting Services. Les rôles de Reporting Services Reporting Services fournit cinq rôles standards pour lesquels il est nécessaire d’attribuer un compte utilisateur ou groupe Windows. Tableau 10.3 — Les rôles de Reporting Services Générateur de rapports

Permet de visualiser les définitions de rapports.

Gestionnaire de contenu

Peut gérer un contenu sur Report Server, notamment des dossiers, des rapports et des ressources.

Lecteur

Peut afficher des dossiers et des rapports, et s’abonner à des rapports.

Mes rapports

Peut publier des rapports et des rapports liés, gérer des dossiers, des rapports et des ressources dans le dossier « Mes rapports » d’un utilisateur.

Serveur de publication

Peut publier des rapports et des rapports liés sur Report Server.

Par exemple, un utilisateur auquel il a été attribué un rôle de serveur de publication sera autorisé à publier, créer, voir et supprimer des rapports. En revanche, il ne sera pas autorisé à créer de nouveaux rôles.

310

—————————————————————————————————————————————————————————————————————

10. Reporting Services

Dans la plupart des cas, les droits d’accès aux différents dossiers et objets devront faire l’objet d’une attribution spécifique de la part de l’administrateur. Il existe une exception à cette règle : l’administrateur local dispose de toutes les autorisations. Un utilisateur qui appartient au groupe local Administrateurs sur le serveur qui héberge Reporting Services disposera de tous les droits.

Figure 10.28 — Page de sécurité pour le dossier racine

Si vous supprimez l’attribution de rôle pour BUILTIN\Administrateurs et les membres du groupe administrateur local, vous continuerez à disposer des droits de gestion de tous les dossiers et objets. Les tâches et les droits dans Reporting Services Chaque tâche de Reporting Services fait l’objet d’une attribution de droit. Voici les droits des rôles. Tableau 10.4 — Tâches des rôles dans Reporting Services Afficher les dossiers

Permet d’afficher les éléments dans l’arborescence des dossiers, ainsi que les propriétés des dossiers.

Afficher les modèles

Afficher des modèles de l’arborescence des dossiers, utiliser des modèles comme sources de données pour un rapport et exécuter des requêtes sur le modèle pour extraire des données.

Afficher les rapports

Permet d’afficher les rapports et les rapports liés dans l’arborescence des dossiers, ainsi que les captures instantanées d’historique de rapport et les propriétés de rapport.

Afficher les ressources Afficher les sources de données Créer des rapports liés

Permet d’afficher les ressources dans l’arborescence des dossiers, ainsi que les propriétés des ressources. Permet d’afficher les éléments de source de données dans l’arborescence des dossiers, ainsi que les propriétés de la source de données. Permet de créer des rapports liés et de les publier dans un dossier du serveur de rapports.

10.3 La gestion des rapports

———————————————————————————————————————————————————————————————

Définir la sécurité pour des éléments individuels Gérer les abonnements individuels

311

Permet d’afficher et de modifier les paramètres de sécurité des rapports, des dossiers, des ressources et des sources de données partagées. Chaque utilisateur peut créer, afficher, modifier et supprimer des abonnements dont il est propriétaire.

Gérer les dossiers

Permet de créer, d’afficher et de supprimer des dossiers, ainsi que d’afficher et de modifier des propriétés des dossiers.

Gérer les modèles

Créer, afficher et supprimer des modèles, et afficher et modifier des propriétés de modèle.

Gérer les rapports

Permet de créer, d’afficher et de supprimer des rapports, ainsi que de modifier des propriétés des rapports.

Gérer les ressources

Permet de créer, de modifier et de supprimer des ressources, ainsi que d’afficher et de modifier des propriétés des ressources.

Gérer les sources de données

Permet de créer et de supprimer des éléments de source de données partagée, ainsi que de modifier des propriétés de source de données.

Gérer l’historique de rapport

Permet de créer, d’afficher et de supprimer des captures instantanées d’historique de rapport, ainsi que de modifier des propriétés d’historique de rapport.

Gérer tous les abonnements

Permet d’afficher, de modifier et de supprimer un abonnement quel que soit son propriétaire.

Lire les rapports

Lit les définitions de rapport.

En complément des tâches d’accès aux rapports, des tâches complémentaires de gestion du système font également l’objet de droits spécifiques. Tableau 10.5 — Tâches de rôle système Afficher les planifications partagées

Permet d’afficher une planification prédéfinie qui est disponible à des fins d’utilisation générale.

Afficher les propriétés du serveur de rapports

Permet d’afficher les propriétés qui s’appliquent au serveur de rapports.

Exécuter les définitions de rapport

Démarrer l’exécution à partir de la définition de rapport sans la publier sur Report Server.

312

—————————————————————————————————————————————————————————————————————

Générer des événements Gérer la sécurité du serveur de rapports

10. Reporting Services

Fournit une application qui permet de générer des événements dans l’espace de noms du serveur de rapports. Permet d’afficher et de modifier les attributions de rôles au niveau du système.

Gérer les planifications partagées

Permet de créer, de modifier et de supprimer des planifications partagées qui sont utilisées pour exécuter des rapports ou les actualiser.

Gérer les propriétés du serveur de rapports

Permet d’afficher et de modifier les propriétés qui s’appliquent au serveur de rapports et aux éléments gérés par celui-ci.

Gérer les rôles

Permet de créer, d’afficher et de modifier des définitions de rôles.

Gérer les travaux

Permet d’afficher et d’annuler les travaux en cours d’exécution.

Les rôles dans Reporting Services Les droits autorisent des tâches. Afin de simplifier la gestion des droits, il est possible de regrouper des tâches en créant des rôles. Reporting Services propose cinq rôles en standard. Tableau 10.6 — Rôles standards créés lors de l’installation de Reporting Services Générateur de rapports

Permet de visualiser les définitions de rapports.

Gestionnaire de contenu

Peut gérer un contenu sur Report Server, notamment des dossiers, des rapports et des ressources.

Lecteur

Peut afficher des dossiers et des rapports, et s’abonner à des rapports.

Mes rapports

Serveur de publication

Peut publier des rapports et des rapports liés, gérer des dossiers, des rapports et des ressources dans le dossier « Mes rapports d’un utilisateur ». Peut publier des rapports et des rapports liés sur Report Server.

Chaque rôle prédéfini comporte un certain nombre de tâches.

10.3 La gestion des rapports

———————————————————————————————————————————————————————————————

313

Tableau 10.7 — Attribution des tâches par rôle Rôles

Générateur Gestionnaire Mes Lecteur Publication de rapports de contenu rapports

Afficher les dossiers

OUI

OUI

OUI

OUI

NON

Afficher les modèles

OUI

OUI

OUI

NON

NON

Afficher les rapports

OUI

OUI

OUI

OUI

NON

Afficher les ressources

OUI

OUI

OUI

OUI

NON

Afficher les sources de données

NON

OUI

NON

OUI

NON

Créer des rapports liés

NON

OUI

NON

OUI

OUI

Définir la sécurité pour des éléments individuels

NON

OUI

NON

NON

NON

Gérer les abonnements individuels

NON

OUI

OUI

OUI

NON

Gérer les dossiers

NON

OUI

NON

OUI

OUI

Gérer les modèles

NON

OUI

NON

NON

OUI

Gérer les rapports

NON

OUI

NON

OUI

OUI

Gérer les ressources

NON

OUI

NON

OUI

OUI

Gérer les sources de données

NON

OUI

NON

OUI

OUI

Gérer l’historique de rapport

NON

OUI

NON

OUI

NON

314

—————————————————————————————————————————————————————————————————————

Rôles

10. Reporting Services

Générateur Gestionnaire Mes Lecteur Publication de rapports de contenu rapports

Gérer tous les abonnements

NON

OUI

NON

NON

NON

Lire les rapports

OUI

OUI

NON

NON

NON

Les tâches spécifiques au rôle Administrateur système Le rôle Administrateur système est un rôle prédéfini qui comprend des tâches utiles pour un administrateur qui a la responsabilité générale du serveur de rapports, mais pas nécessairement de son contenu. Tableau 10.8 — Attribution des tâches par rôle Afficher les planifications partagées

Permet d’afficher une planification prédéfinie qui est disponible à des fins d’utilisation générale.

Afficher les propriétés du serveur de rapports

Permet d’afficher les propriétés qui s’appliquent au serveur de rapports.

Exécuter les définitions de rapport

Démarrer l’exécution à partir de la définition de rapport sans la publier sur Report Server.

Générer des événements

Fournit une application qui permet de générer des événements dans l’espace de noms du serveur de rapports.

Gérer la sécurité du serveur de rapports

Permet d’afficher et de modifier les attributions de rôles au niveau du système.

Gérer les planifications partagées

Permet de créer, de modifier et de supprimer des planifications partagées qui sont utilisées pour exécuter des rapports ou les actualiser.

Gérer les propriétés du serveur de rapports

Permet d’afficher et de modifier les propriétés qui s’appliquent au serveur de rapports et aux éléments gérés par celui-ci.

Gérer les rôles Gérer les travaux

Permet de créer, d’afficher et de modifier des définitions de rôles. Permet d’afficher et d’annuler les travaux en cours d’exécution.

Les tâches spécifiques au rôle Utilisateur système Le rôle Utilisateur système est un rôle prédéfini qui comprend des tâches permettant aux utilisateurs d’afficher des informations de base sur le serveur de rapports. Il prend également en charge le chargement d’un rapport dans le Générateur de rapports.

10.3 La gestion des rapports

———————————————————————————————————————————————————————————————

315

Tableau 10.9 — Liste des tâches du rôle Utilisateur Système Afficher les planifications partagées

Permet d’afficher une planification prédéfinie qui est disponible à des fins d’utilisation générale.

Afficher les propriétés du serveur de rapports

Permet d’afficher les propriétés qui s’appliquent au serveur de rapports.

Exécuter les définitions de rapport

Démarrer l’exécution à partir de la définition de rapport sans la publier sur Report Server.

Les tâches et les rôles ont été définis. Il convient maintenant d’attribuer des utilisateurs ou groupes d’utilisateurs Windows dans chaque rôle.

Figure 10.29 — Nouvelle attribution de rôle système

Figure 10.30 — Formulaire de nouvelle attribution de rôle système

Dans le champ Nom d’utilisateur ou de groupe, vous devez entrer un nom d’utilisateur ou groupe Windows. Il est possible également de préfixer le nom d’utilisateur par le nom de domaine tel que DOMAIN\Utilisateur.

316

—————————————————————————————————————————————————————————————————————

10. Reporting Services

Sécuriser les objets de Reporting Services Dans le but d’autoriser l’accès aux rapports ou répertoires de Reporting Services, vous allez devoir ajouter la sécurité à chaque élément. Par exemple, pour donner accès au répertoire AdventureWorks Sample Reports et tous les rapports qu’il contient, il est nécessaire d’ouvrir le répertoire puis d’accéder à l’onglet Propriétés puis Sécurité. Vous observez une page identique à celle donnée figure 10.30.

Figure 10.31 — L’onglet Propriété du rapport permet de modifier la sécurité d’accès au rapport

Cliquez sur Modifiez la sécurité de l’élément Une confirmation de modification de l’héritage des paramètres de sécurité du dossier parent est demandée à l’opérateur. Il est ainsi possible d’effectuer une nouvelle attribution de rôle.

Figure 10.32 — Propriétés de sécurité

10.3 La gestion des rapports

———————————————————————————————————————————————————————————————

317

Ajoutez un utilisateur Windows.

Figure 10.33 — Créer un nouvel utilisateur Windows

Attribuer l’utilisateur Windows au rôle prédéfini Lecteur. Il est possible de créer un nouveau rôle si aucun ne correspond au choix souhaité.

Figure 10.34 — Attribution du rôle Lecteur à l’utilisateur Bertrand

318

—————————————————————————————————————————————————————————————————————

10. Reporting Services

À l’issue de ce traitement, voici les rôles attribués au répertoire AdventureWorks Sample Reports (figure 10.34).

Figure 10.35 — Le lien Sécurité de l’onglet Propriétés du dossier racine fait apparaître les utilisateurs Windows et les rôles associés

La sécurité attribuée au dossier racine AdventureWorks Sample Reports sera naturellement reportée sur l’ensemble des sous-répertoires contenus dans le dossier Racine. La procédure d’attribution de sécurité d’un répertoire peut être appliquée de façon identique aux rapports et aux ressources.

10.3.2

Les rapports liés

Reporting Services offre une technique permettant de partager un rapport qui a été déployé dans un répertoire afin de le partager dans d’autres dossiers. Cette technique permet de n’avoir qu’une seule définition du rapport rendant la maintenance et le déploiement plus aisés. Le rapport est cependant accessible à partir de différents dossiers. Pour des raisons évidentes, le rapport lié n’hérite pas de la sécurité du rapport sur lequel il pointe (figure 10.36).

10.3.3

L’exécution de rapports

L’onglet Propriétés de l’exécution d’un rapport permet de définir le processus d’optimisation lors de l’affichage. Ces options déterminent à quel moment se produit le traitement du rapport. Vous pouvez ainsi définir ces options pour programmer l’exécution d’un rapport la nuit ou lorsque le serveur est le moins sollicité. Si un rapport est consulté fréquemment, vous pouvez également mettre en

10.3 La gestion des rapports

———————————————————————————————————————————————————————————————

319

Figure 10.36 — Le menu General de l’onglet Propriétés du rapport permet de créer un rapport lié avec une sécurité différente

cache de façon temporaire des copies de ce dernier pour éliminer les temps d’attente lorsque plusieurs utilisateurs y accèdent à quelques minutes d’intervalle. Pour ouvrir cette page, sélectionnez un rapport, cliquez sur l’onglet Propriétés situé en haut de la page, puis sur le menu Exécution situé sur le côté gauche de la page. Précisons les différents choix proposés. • Toujours exécuter ce rapport avec les données les plus récentes : Utilisez cette option lorsque vous souhaitez que le rapport soit exécuté à la demande ou lorsqu’un utilisateur le sélectionne. Si une copie du rapport est encore disponible en cache mémoire, l’extraction ne sera pas exécutée et l’affichage du rapport sera instantané. • Ne pas mettre en cache les copies temporaires de ce rapport. Le rapport sera toujours exécuté avec les données les plus récentes. Chaque utilisateur qui ouvre le rapport déclenche un accès à la source de données.

320

—————————————————————————————————————————————————————————————————————

10. Reporting Services

Figure 10.37 — Formulaire de définition des propriétés lors de l’exécution du rapport

• Mettre en cache une copie temporaire du rapport place une copie temporaire du rapport dans un cache lorsqu’un premier utilisateur ouvre le rapport. Les performances sont meilleures pour les utilisateurs qui ouvrent le même rapport avec les mêmes paramètres d’extraction, car il n’y aura pas d’accès à la source de données. • Faire expirer la copie du rapport après un certain nombre de minutes. Saisissez le nombre de minutes après lequel la copie temporaire n’est plus valide. Une fois cela, elle n’est plus renvoyée à partir du cache. La prochaine fois qu’un utilisateur ouvrira le rapport, le serveur de rapports retraitera ce dernier et replacera une copie du rapport actualisé dans le cache. • Faire expirer la copie du rapport selon la planification suivante : ce paramètre permet de définir une date et heure d’expiration pour un rapport. Pour qu’un rapport mis en cache expire en fin de journée, par exemple, vous pouvez sélectionner une heure durant la nuit après laquelle la copie expire. • Effectuer le rendu de ce rapport à partir d’une capture instantanée d’exécution du rapport : cette option permet de traiter un rapport comme un cliché, à l’heure planifiée. Choisissez cette option lorsque vous souhaitez exécuter un rapport aux heures creuses. Contrairement aux copies mises en cache qui sont créées lorsqu’un utilisateur ouvre le rapport, un cliché est créé, puis actualisé, suivant une planification. Les clichés restent en service jusqu’à ce qu’ils soient remplacés par de nouvelles versions.

10.3 La gestion des rapports

———————————————————————————————————————————————————————————————

321

Figure 10.38 — Formulaire permettant de préciser les détails de la planification d’envoi de rapports

• Les clichés générés par les paramètres d’exécution de rapport ont les mêmes caractéristiques que les clichés d’historique de rapport. La seule différence réside dans le fait qu’il n’existe qu’un seul cliché d’exécution de rapport et plusieurs clichés d’historique de rapport. Les clichés d’historique de rapport sont accessibles à partir de la page Historique du rapport, qui stocke de nombreuses instances d’un rapport à différents moments dans le temps. Les utilisateurs ont accès aux clichés d’exécution de rapport à partir des dossiers (comme pour les rapports actifs). • Créer une capture instantanée du rapport lorsque vous cliquez sur le bouton Appliquer de cette page : cliquez sur ce bouton pour rendre le cliché disponible avant l’heure de début planifiée. • Délai d’expiration de l’exécution des rapports : spécifie si le traitement d’un rapport doit être interrompu après un certain nombre de secondes. Si vous choisissez le paramètre par défaut, le paramètre du délai d’expiration spécifié dans la page Paramètres du site est utilisé pour le rapport.

10.3.4

L’historisation des rapports

Cette fonctionnalité permet de conserver une trace des rapports exécutés. Plutôt que de conserver des copies des données à des instants différents, il sera plus

322

—————————————————————————————————————————————————————————————————————

10. Reporting Services

simple de conserver les instantanés des rapports. Il est ainsi possible de conserver des listes d’inventaire, des ratios financiers ou des rapports de production à différentes périodes et ainsi d’analyser les tendances. Précisons que ces analyses restent visuelles et que les rapports ne peuvent à nouveau faire l’objet de réexécution. Pour les analyses de tendance nous préférerons naturellement la richesse des KPI fournis avec Analysis Services.

Figure 10.39 — Le menu Historique de l’onglet Propriétés permet de paramétrer la fréquence d’historisation des instantanés

L’onglet Historique permet de consulter les instantanés.

Figure 10.40 — L’onglet Historique du rapport Company Sales fournit la liste des instantanés

10.3 La gestion des rapports

10.3.5

———————————————————————————————————————————————————————————————

323

Abonnements aux rapports

Plusieurs types de souscription aux rapports sont proposés par Reporting Services. Lorsqu’un utilisateur qui affiche un rapport désire souscrire à un envoi régulier du rapport, il crée un abonnement. Il peut recevoir ses rapports soit par e-mail, soit dans un répertoire partagé. La dernière option permet également de placer le rapport dans un entrepôt de documents indexé par une application telle que SharePoint Portal. Le formulaire ci-dessous présente les options liées à la procédure d’abonnement au rapport Company Sales. La gestion des abonnements nécessite que le service SQL Server Agent soit actif. Le gestionnaire d’abonnements envoie les rapports via le compte SMTP. Ce compte a été paramétré lors de la configuration de Reporting Services (exemple : smtp.wanadoo.fr).

Figure 10.41 — Formulaire d’options d’abonnement de rapport

Les champs Objet et Commentaire permettent d’introduire du texte avec des variables comme le nom du rapport et l’heure d’exécution (@ReportName et @ExecutionTime).

324

—————————————————————————————————————————————————————————————————————

10. Reporting Services

Figure 10.42 — La réception du rapport dans Outlook

Un lien dynamique vers le serveur permet de rafraîchir le rapport et de retrouver une navigation dynamique (drill down sur les années ou les catégories). D’autres formats peuvent être joints en pièces attachées (PDF, CSV, Excel, etc.).

10.4 REPORTING À LA DEMANDE AVEC REPORT BUILDER Le générateur de rapports Report Builder est une application côté client qui permet de créer et de concevoir des rapports à la demande. Cet outil est mis à la disposition des managers. Il est en effet orienté métier et ne nécessite pas de connaissance technique. Report Builder (SSRB) offre un service de données au niveau entité conceptuelle. Nous l’avons vu précédemment, l’écriture de rapports avec SSRS nécessite de savoir élaborer des requêtes au niveau du schéma logique. Par exemple, la création d’un rapport sur l’état des commandes nécessite d’écrire la jointure

10.4 Reporting à la demande avec Report Builder

————————————————————————————————————————————

325

entre les différentes tables qui constituent une commande (entête de commande/ lignes de commande/clients/produits). Un grand nombre d’utilisateurs souhaite disposer d’un environnement utilisateur de création de rapports n’imposant ni d’utiliser Visual Studio ni de créer des requêtes SQL pour les rapports. Les utilisateurs et analystes souhaitent créer des rapports directement sur les clients, les commandes, les ventes, etc. Certains raisonnent au niveau concept métier, ou « domaine », et souhaitent exprimer leurs requêtes à ce niveau plutôt qu’au niveau du schéma logique. Report Builder permet de décrire et de mettre en correspondance les entités « métier » avec la couche de schéma logique. Cette méthode porte le nom de SMDL (Semantic Model Definition Language). Report Builder permet de créer des rapports de type tabulaire, matriciel ou graphique. La création d’un rapport nécessite au préalable la mise à disposition d’un modèle de rapport. Ce modèle est conçu grâce à l’assistant de création d’un modèle de rapport. Les modèles de rapport portent l’extension .smdl. Lors de la publication du modèle sur le serveur, de nombreuses entités et champs dérivés sont créés. Le tableau 10.10 donne la liste des options disponibles lors de la génération du modèle de rapport. Tableau 10.10 — Options disponibles lors de la génération du modèle de rapport Options

Description de l’option

Créer des entités pour toutes les tables

Crée une entité pour chaque table, qu’elle contienne ou non des données.

Créer des agrégations de comptage

Crée un champ d’agrégation qui contient le nombre d’instances uniques d’une entité.

Créer des attributs

Crée un attribut pour chaque colonne de chaque table.

Créer des attributs pour les colonnes à incrémentation automatique

Crée un champ masqué qui contient les données de la base de données incrémentées automatiquement.

Créer des variations de date

Crée des variations sur les champs de date en fonction des différentes parties de la date, par exemple l’année, les mois ou les jours.

Créer des agrégations numériques

Crée des champs somme, moyenne, minimum et maximum pour chaque champ numérique.

Créer des agrégations de date

Crée un champ d’agrégation de la première date et un champ d’agrégation de la dernière date pour chaque champ de date.

326

—————————————————————————————————————————————————————————————————————

Options

10. Reporting Services

Description de l’option

Créer des rôles

Crée deux rôles (un sortant et un entrant) pour chaque relation découverte entre les entités.

Entités de recherche

Considère les entités ne contenant qu’un champ en tant qu’entités de recherche. Ces entités sont placées dans un dossier nommé Lookup.

Petites listes

Crée des listes déroulantes lorsqu’il existe dans l’entité moins de 100 instances à partir desquelles choisir.

Grandes listes

Impose aux utilisateurs de choisir dans une liste où il existe dans l’entité plus de 500 instances parmi lesquelles choisir.

Très grandes listes

Impose aux utilisateurs de filtrer avant de choisir dans une liste où il existe dans l’entité plus de 5 000 instances parmi lesquelles choisir.

Définir des attributs d’identification

Indiquent les champs qui sont uniques à cette entité. Le générateur de rapports identifie les attributs d’identification potentiels.

Définir les attributs de détail par défaut

Indique les champs qui sont affichés par défaut lorsqu’un utilisateur clique sur un élément lié dans un rapport consultable à l’aide de clics.

Nom du rôle uniquement

Définit automatiquement la propriété de nom contextuel de l’attribut Rôle.

Mise en forme des nombres et de la date

Tire les champs numériques et de date dans l’ordre décroissant.

Mise en forme des nombres entiers/décimaux

Met en forme les nombres entiers et décimaux.

Mise en forme des nombres à virgule flottante

Définit la mise en forme des champs à virgule flottante.

Mise en forme de la date

Met en forme les champs de date et d’heure pour qu’ils affichent uniquement la partie date et non la partie heure du champ.

Déconseiller le regroupement

Empêche les utilisateurs de regrouper les champs uniques. Cette option prend la valeur True par défaut pour les attributs d’identification.

Sélection des valeurs de liste déroulante

Définit la propriété de sélection des valeurs aux listes déroulantes pour les champs contenant moins de 200 valeurs uniques.

10.4 Reporting à la demande avec Report Builder

————————————————————————————————————————————

327

La table source SalesPerson est composée de neuf champs. Le générateur de modèle crée des colonnes dérivées à partir des champs de la table source.

Figure 10.43 — Le formulaire liste les champs source repris dans le modèle

Figure 10.44 — L’entité Sales Person montre les colonnes dérivées

Les attributs de type texte sont préfixés par l’icône numériques sont repérés par un #.

a tandis que les champs

Lorsque le modèle de rapport est publié sur le serveur, le manager peut concevoir ses rapports personnalisés. Il manipule les données métier en les filtrant, en les groupant, en les triant ou en créant de nouvelles formules. Lorsque le rapport est défini, il peut être enregistré sur le serveur de rapports. Il devient donc disponible aux utilisateurs autorisés. Le filtrage offre des conditions simples à utiliser et intuitives.

328

—————————————————————————————————————————————————————————————————————

10. Reporting Services

Figure 10.45 — Grâce à un glisser-déplacer, la construction du rapport s’effectue

Figure 10.46 — Filtrage sur l’année de commande

10.5 Conclusion

——————————————————————————————————————————————————————————————————————————

329

Lorsque le rapport est prêt, il est nécessaire de l’enregistrer sur le serveur de rapports afin qu’il soit disponible dans Reporting Services.

Figure 10.47 — Le rapport filtré affiché dans Reporting Services

10.5 CONCLUSION Les managers opérationnels disposent de peu de temps pour se former aux techniques de la création de rapports. Les informaticiens joueront pleinement leur rôle en préparant des rapports utiles aux personnels de l’entreprise. La facilité de compréhension des rapports et leur mise à disposition rapide permettra aux opérationnels de suivre les indicateurs essentiels et ainsi de partager avec la direction, la vision de l’entreprise.

11 L’analyse de données avec Excel

Dans le chapitre précédent, nous avons montré comment Reporting Services permet d’accéder à toutes les sources d’informations (relationnelles et OLAP) et d’en découvrir le sens. SSRS offre de nombreuses formes de restitution de l’information : listes, graphes, tendances, alertes. Report Builder offre une certaine autonomie au manager pour accéder aux informations dont il a besoin. Malgré de nombreux efforts déployés par l’éditeur, Report Builder nécessite un minimum de formation. Or, les managers ont peu de temps à consacrer à leur formation aux techniques de l’information. Microsoft avait depuis longtemps introduit la notion de rapport de masse grâce à une fonctionnalité que l’on trouve dans Excel : le tableau croisé dynamique. Excel est depuis longtemps l’outil d’analyse le plus répandu et n’a pas besoin d’être présenté aux managers. Depuis le début des années 2000, Microsoft a introduit de nouvelles fonctionnalités à Excel permettant ainsi d’accéder à des cubes OLAP. Cette technologie a offert de nouvelles opportunités d’analyse. Excel peut également effectuer des requêtes sur l’entrepôt de données. Excel offre ainsi de nombreuses possibilités d’analyse : accès au datawarehouse via MS Query, accès aux cubes OLAP via les tableaux croisés dynamiques. Une conséquence bénéfique de l’existence du datawarehouse réside dans la centralisation naturelle des données de l’entreprise. Excel ne doit donc plus être

332

————————————————————————————————————————————————————————

11. L’analyse de données avec Excel

un lieu de ressaisie manuel mais un outil d’analyse accédant aux données stratégiques. Dans ce chapitre nous présenterons les tableaux croisés dynamiques d’Excel accédant aux cubes OLAP 2000 ou 2005. Depuis la version d’Excel 2000 le mode opératoire d’accès à un cube OLAP est le même. La version Excel 2007 (Office 12) ne déroge pas à la règle. Elle apporte cependant une fonctionnalité liée à SSAS 2005 : les indicateurs clés de performance (KPI). Microsoft a également mis à disposition des utilisateurs d’Excel un complément nommé Office Excel pour SQL server Analysis services. Cet outil apporte des fonctionnalités qui n’existent pas dans les tableaux croisés dynamiques, en particulier l’accès simultané à plusieurs cubes, et les fonctionnalités d’écriture dans un cube OLAP. Nous présentons cet outil dans ce chapitre. Grâce aux Office Web Components (OWC), Microsoft offre la possibilité d’encapsuler des tableaux et graphes dynamiques dans des pages web. Cette fonctionnalité est très prisée des utilisateurs nomades qui peuvent ainsi accéder à leurs analyses sur Excel via un navigateur web. Avec Office Business Scorecard Manager 2005, Microsoft offre une ouverture nouvelle aux managers soucieux de gouvernance d’entreprise. Les indicateurs clés de l’entreprise sont présentés sous forme de tableaux de bord synthétiques. BSM s’intègre naturellement dans un portail maison, Sharepoint Portal. Depuis avril 2006, la société Proclarity, spécialisée dans les outils de restitution sur plateformes MS OLAP, a été rachetée par Microsoft. Nous montrons l’apport de cette société dans la chaîne décisionnelle de Microsoft.

11.1 L’ANALYSE AD HOC GRÂCE AUX TABLEAUX CROISÉS DYNAMIQUES L’utilisation des tableaux croisés dynamiques nécessite que le composant PivotTable soit installé sur le poste client. Ce composant est téléchargeable sur le Web. Vous pouvez également le télécharger sur le site de l’auteur www.buroformatic.com. L’installation de ce composant nécessite la présence d’Excel sur le poste client. Voici les étapes nécessaires à la création d’un tableau croisé dynamique. Il est à noter que les paramètres de connexion sont à définir lors de la création du tableau. Les accès ultérieurs permettront un rafraichissement automatique des données. Choisir Données/Rapport de tableau croisé dynamique/Source de données externes. Puis Obtenir les données/Choisir une source/OLAP/Nouvelle source de données.

11.1 L’analyse ad hoc grâce aux tableaux croisés dynamiques

—————————————————————————————————

333

Figure 11.1 — Connexion au serveur Analysis Services 2005

Sélectionnez la base de données (ou cube ou perspective) désirée. Il est nécessaire de créer une nouvelle source de données et de choisir un cube à analyser.

Figure 11.2 — Créer une nouvelle source de données OLAP

Le fournisseur OLAP varie en fonction de la version du serveur Analysis Services. La version 8 correspond à AS 2000, la version 9.0 à MSAS 2005.

Figure 11.3 — Liste de sources OLAP

334

————————————————————————————————————————————————————————

11. L’analyse de données avec Excel

La nouvelle source OLAP est maintenant créée. Il convient de choisir cette source en entrée du tableau croisé.

Figure 11.4 — Sélectionner l’emplacement du rapport

Le tableau croisé peut être créé dans la feuille Excel existante ou dans une nouvelle feuille. Le positionnement du tableau dans la feuille doit également être précisé. Dans la figure 11.4 le tableau croisé sera créé dans la feuille existante en cellule A3. L’assistant fournit un modèle de rapport Vierge que l’utilisateur devra compléter. L’espace de travail est composé de régions qui ont chacune un rôle spécifique. Les champs de ligne et de colonnes reçoivent les attributs ou hiérarchies de dimensions. Voir figure 11.5. Les champs de page permettent d’effectuer un filtrage de la source de données sur plusieurs critères.

Figure 11.5 — L’assistant propose trois axes dimensionnels et une zone réservée aux mesures

11.1 L’analyse ad hoc grâce aux tableaux croisés dynamiques

—————————————————————————————————

335

L’espace nommé Déposer Données ici reçoit les donnée numériques ou mesures du cube. Par un glisser-déposer, on introduit la catégorie de produit en tête de ligne, les années calendaires en tête de colonnes et les territoires en filtre de page. Dans la figure 11.6 la sélection d’un seul pays France, aura pour conséquence de filtrer la source de données sur ce critère. On observe sur la figure 11.7 le pays France sur la zone champs de page.

Figure 11.6 — Sélectionner un ou plusieurs éléments en filtre de page

Figure 11.7 — Le tableau croisé présente les ventes effectuées sur le territoire français, par catégorie de produit (lignes) et par années calendaires (colonnes)

Figure 11.8 — Options avancées de champ dynamique

336

————————————————————————————————————————————————————————

11. L’analyse de données avec Excel

Figure 11.9 — Liste des dix meilleures ventes de vélos (Road Bikes) de 2001 à 2004

Figure 11.10 — Le tableau croisé et le graphique croisé sont synchronisés dynamiquement

11.1 L’analyse ad hoc grâce aux tableaux croisés dynamiques

—————————————————————————————————

337

La figure ci-dessus montre une sélection des 10 meilleures ventes (Total sales amount) triées en ordre décroissant. Il est possible d’agrémenter la présentation du tableau en appliquant différents types de formats. Dans la figure 11.9 le format standard a été appliqué. Afin de rendre plus visuel le tableau il est possible d’ajouter une graphique croisé dynamique. Le graphique croisé dynamique est directement lié au tableau croisé. Le graphique est mis à jour dynamiquement en fonction des choix effectués dans le tableau. Un drill down dans le tableau entraine la même opération dans le graphique et réciproquement. Excel 2007 présente des améliorations visuelles et de nouvelles fonctionnalités.

Figure 11.11 — La nouvelle interface des tableaux croisés dynamiques d’Excel 2007

Excel 2007 permet également une restitution des KPI (Indicateurs clés de performances) inclus dans Analysis services 2005. Créer un cube local Pour des collaborateurs nomades qui par définition se déplacent et qui ne disposent pas toujours d’une connexion Internet il est parfois souhaitable de leur fournir des outils d’analyse. Les administrateurs pourront ainsi extraire des cubes et les stocker sur des portables avec toutes les données nécessaires. Des aspects de sécurité doivent également être pris en compte.

338

————————————————————————————————————————————————————————

11. L’analyse de données avec Excel

Excel dispose d’une fonction de création de cube local à partir d’un cube SSAS. Il s’agit de la fonction OLAP hors connection du menu Tableau croisé dynamique.

Figure 11.12 — OLAP hors connexion permet de copier le cube sur le poste client

L’assistant de création de cube OLAP permet de stocker le cube localement.

Figure 11.13 — Permet de créer un fichier de données hors connexion

Les paramètres constitutifs du tableau croisé sont transférés dans le cube local.

Figure 11.14 — On choisit les dimensions et les mesures à exporter

11.1 L’analyse ad hoc grâce aux tableaux croisés dynamiques

—————————————————————————————————

339

Le fichier extrait porte le nom du cube source : Analysis Services Tutorial.cub. Lors de l’analyse du cube local on accédera au fichier .cub et non au serveur de cubes.

Figure 11.15 — Connexion OLAP à un cube OLAP

Il est à noter que Microsoft Query, inclus dans Excel, dispose d’un assistant permettant de créer des cubes à partir d’une source relationnelle. Depuis la version 2000, Excel permettait déjà de réaliser des cubes. Cette fonctionnalité reste rudimentaire et ne s’applique qu’à des sources de données peu volumineuses. Cette fonctionnalité ne doit pas occulter la recommandation majeure de la business intelligence : partager un même et unique référentiel dans l’entreprise. Ces recommandations étant faites, nous présentons succinctement les étapes qui permettent de créer un cube avec Excel. Dans MS Query aller dans Fichier puis Création de cube OLAP.

Figure 11.16 — L’assistant de création de cube OLAP à partir de MS Query

340

————————————————————————————————————————————————————————

11. L’analyse de données avec Excel

La requête porte une extension .oqy et est stockée par défaut dans le répertoire requêtes d’Excel : C :\Documents and Settings\Administrateur\Application Data\ Microsoft\Requêtes\AdventureWorks.cub. Le tableau croisé dynamique d’Excel est l’outil permettant de relire un cube stocké selon ce format.

11.2 COMPLÉMENT MICROSOFT OFFICE EXCEL POUR SQL SERVER ANALYSIS SERVICES Le complément Microsoft Office Excel pour SQL Server Analysis Services est une nouvelle offre d’analyse décisionnelle qui permet aux utilisateurs de créer rapidement des rapports personnalisés dans Microsoft Excel. Ce complément est disponible gratuitement sur le site de Microsoft. Il est compatible avec les versions Excel 2002 (XP) et 2003. Interactivité de l’analyse et de la génération des rapports Conçu pour étendre les fonctionnalités de Microsoft Office Excel, le complément Excel pour Analysis Services permet d’accéder aux données de différentes sources, de les analyser, puis de créer des rapports riches et personnalisés directement dans Excel. Grâce à ce complément, les utilisateurs individuels peuvent gérer le cycle des rapports du début à la fin, et éliminer le copier-coller des données issues de différents systèmes. Fonctionnalités techniques clés Le complément Excel pour Analysis Services, étroitement intégré à Microsoft SQL Server et Analysis Services, étend les fonctionnalités d’analyse et de génération de rapports de Microsoft Office Excel. Il contient un ensemble complet d’outils qui simplifient la liaison avec diverses sources de données, la gestion des requêtes, la génération de rapports sophistiqués dans plusieurs formats, l’enregistrement des données dans le cube, etc. Les composants clés du complément Excel pour Analysis Services sont : Les fonctionnalités principales sont les suivantes : • récupère et partage les données des cubes OLAP (2000/2005); • regroupe et exécute les requêtes; • met en forme les résultats des requêtes; • enregistre des données dans les cubes OLAP (write back); • gère la mise en forme des rapports;

11.2 Complément Microsoft Office Excel pour SQL Server Analysis Services

——————————————————————

341

• permet l’insertion ou la suppression de ligne; • offre des possibilités de drill down/drill up; • gère les formules et présente les résultats dans les cellules Excel; • permet de répondre à des simulations de type « what if »; • affiche les formules au format MDX. Après installation du complément, un nouveau menu Analyse des cubes apparaît dans la barre Excel.

Figure 11.17 — Le menu Analyse des cubes du complément Excel pour OLAP

Le menu gérer les connexions permet de connecter plusieurs cubes.

Figure 11.18 — Gestion des connexions

342

————————————————————————————————————————————————————————

11. L’analyse de données avec Excel

Lors de la création d’un nouveau rapport plusieurs dispositions sont fournies :

Figure 11.19 — Outil de disposition des rapports

Figure 11.20 — La sélection du choix Ligne, colonne et filtre de page crée un rapport composé de quatre sections

Plusieurs filtrages peuvent être associés. Les navigations drill down et drill up sont disponibles. À la différence du tableau croisé dynamique, le tableau peut être scindé. Des lignes et colonnes peuvent y être ajoutées.

11.2 Complément Microsoft Office Excel pour SQL Server Analysis Services

——————————————————————

343

Figure 11.21 — Rapport défini avec l’outil Analyse de données

À titre d’exemple, voici le code MDX généré par l’assistant : SELECT {Hierarchize({{[Customer].[Customer Geography].[All Customers], AddCalculatedMembers({[Customer].[Customer Geography].[All Customers].children})}})} on 0, {Hierarchize({{[Product].[Subcategory].[All Products], AddCalculatedMembers({[Product].[Subcategory].[All Products].children})}})} on 1 from [Adventure Works] where ([Date].[Calendar].[Calendar Year].&[2003]) CELL PROPERTIES VALUE, FORMATTED_VALUE, FONT_NAME, FONT_SIZE, FONT_FLAGS, FORE_COLOR, BACK_COLOR, FORMAT_STRING

Les fonctionnalités de l’analyseur de cube permettent d’isoler ou d’éliminer des membres de dimension. Bien que de quelques fonctionnalités nouvelles liées à SSAS 2005 aient été ajoutées (groupes de mesures, dimensions hiérarchiques) à l’heure où nous testons le complément d’analyse sur les cubes UDM (AS 2005) certaines fonctions ne sont pas encore opérationnelles. Cela est probablement lié à la différence de structure entre les cubes AS 2000 et 2005. Il s’agit en particulier de l’accès au détail par un clic droit sur les cellules agrégées. Les actions et les fonctions de simulation ne sont pas opérationnelles. La version Excel 2007 intègre définitivement l’analyse des cubes avec toutes les fonctionnalités propres à SSAS 2005.

344

————————————————————————————————————————————————————————

11. L’analyse de données avec Excel

11.3 REPORTING INTERACTIF SUR LE WEB AVEC OWC Les managers nomades qui désirent accéder régulièrement à leurs tableaux trouveront appréciable d’utiliser des tableaux croisés dynamiques sur le Web. Si le composant OWC n’est pas installé sur le poste client, le téléchargement du contrôle ActiveX s’effectue lors du premier accès au cube. L’utilisateur accède au cube OLAP via une interface web. L’outil d’interrogation des cubes via le Web est similaire au tableau croisé dynamique intégré à Excel. En pratique, le concepteur intègre le composant OWC (tableau croisé dynamique) dans une page web puis établit les connexions vers les sources de données. Dans FrontPage il est possible de créer un tableau croisé dynamique (figure 11.22).

Figure 11.22 — Insertion d’un composant web avec FrontPage

Le composant ActiveX permet de disposer d’une interface proche du tableau croisé.

Figure 11.23 — Le composant web dans FrontPage

11.4 Conclusion

——————————————————————————————————————————————————————————————————————————

345

La liste des champs de tableau croisé apparaît dans la fenêtre de droite. Le concepteur de la page web élabore un premier tableau qui servira de modèle de base à l’utilisateur final.

Figure 11.24 — Avec le graphe associé

Par la suite, l’utilisateur définit lui-même les axes d’analyse, filtre et trie les données selon ses propres analyses.

11.4 CONCLUSION De nombreux outils étaient déjà intégrés dans Office 2000 permettant d’effectuer toutes sortes de requêtes et d’analyses. MS Access et MS Excel sont largement

346

————————————————————————————————————————————————————————

11. L’analyse de données avec Excel

répandus dans les entreprises. De nombreuses pme/pmi ont mis en place des systèmes décisionnels efficaces grâce à de tels outils. Les limitations de tels outils ont été évoquées plus haut. Grâce à SQL server 2005 et Analysis services, Microsoft a su concilier la puissance et la robustesse d’un système centralisé connectés à des outils fortement répandus auprès des managers d’entreprises. Pour les utilisateurs nomades désireux d’effectuer tous types d’analyse tout en restant connecté à leur entreprise, Microsoft ne disposait pas de solution satisfaisante. Depuis l’acquisition de la société Proclarity ce vide est comblé. Nous verrons dans le chapitre suivant les différentes solutions d’analyse offertes via le web.

12 L’analyse de données sur le Web

Reporting Services, totalement orienté Web, offre une lecture statique des données de l’entrepôt et des cubes OLAP. Excel, grâce aux OWC permet une lecture plus dynamique des mesures et axes dimensionnels. Bien qu’Excel soit l’outil d’analyse le plus répandu et le mieux maîtrisé par les managers, il n’en reste pas moins que certains prérequis sont nécessaires : une licence Excel est nécessaire sur chaque poste utilisateur et le composant OWC doit également être installé pour une lecture sur le Web. Si l’on désire accéder à des informations d’analyse dans un contexte extranet, il est indispensable de disposer d’outils qui ne nécessitent aucune installation côté poste client. Afin de répondre à cette attente, Microsoft a acquis cette technologie en avril 2006, auprès de la société Proclarity. La vocation de Proclarity fut pendant des années de développer des outils de restitution autour des outils SQL Server 2000/2005 et du portail Sharepoint. Microsoft annonce que les outils développés par Proclarity feront partie intégrante de la suite décisionnelle aux côtés de Business Scorecard Manager. On y trouve les fonctionnalités exposées dans les sections suivantes.

348

————————————————————————————————————————————————————————

12. L’analyse de données sur le Web

12.1 PROCLARITY FOR BUSINESS SCORECARD MANAGER Sans installation côté client, Proclarity Business Scorecard permet d’obtenir un tableau synthétique des objectifs avec une vision de haut niveau. Derrière chaque indicateur, il est possible de découvrir les raisons qui mènent à ce résultat.

Figure 12.1 — Le logiciel Proclarity for Business Scorecard. Rassemble les indicateurs clés de l’entreprise

Derrière chaque indicateur clé de performance, le client analytique léger permet de répondre à la question « Pourquoi ? ». Proclarity propose des modes de représentation inhabituels et complémentaires à ceux d’Excel, tels que l’arbre de décomposition, la carte de performance et la vue en perspective.

12.1.1

L’arbre de décomposition

Un arbre de décomposition fractionne une valeur pour mettre en évidence les éléments qui y contribuent et affiche leurs relations dans une arborescence hiérarchique avec, éventuellement, un graphique de Pareto. Il permet également de répondre à des questions telles que : « Quels sont les produits alimentaires qui se vendent le mieux ? », « Quel pourcentage des ventes globales du deuxième trimestre représente les aliments en boîtes de conserve ? »

12.1 Proclarity for Business Scorecard Manager

——————————————————————————————————————————————

349

Les données sont affichées sous forme de chiffres bruts et de pourcentages. Vous pouvez trier les nœuds du plus grand au plus petit ou inversement. En outre, les graphiques de Pareto illustrent la répartition des valeurs afin de permettre d’identifier rapidement les groupes qui apportent la plus grande contribution à un total.

Figure 12.2 — L’arbre de décomposition s’affiche dans une page web

La figure 12.2 présente les informations suivantes : • La quantité totale des ventes Internet représente 5 436 429 € pour le 2e trimestre de l’année calendaire 2004. • Sur la même période, les accessoires représentent 4 % des ventes. • Les Fenders et les Bikes Racks représentent respectivement 7 % et 6 % des accessoires Ces deux catégories sont matérialisées par les deux barres plus claires du graphique de Pareto. • Dans le graphique de Pareto, la ligne des 76 % croise la ligne du pourcentage du total au-dessus de la barre représentant les Fenders. Cela signifie qu’environ 76 % des ventes d’accessoires sur Internet sont représentées par les trois premières catégories (Top 3) et représentées graphiquement par les barres situées à gauche de la catégorie Fenders. Pour connaître le détail de

350

————————————————————————————————————————————————————————

12. L’analyse de données sur le Web

ces accessoires, il suffit de placer le curseur sur les barres ou de cliquer sur le nœud Top 3 (3 premiers) afin d’afficher son contenu. • Une diminution significative de la quantité d’accessoires vendus est observée à partir de la troisième barre. Cette situation pourrait éventuellement faire l’objet d’une analyse plus approfondie.

12.1.2

La carte de performance

Une carte de performances (figure 12.3) utilise des ratios de tailles et de couleurs pour comparer les valeurs de deux mesures pour chaque élément de la vue : • la taille de case représente la première mesure; • la couleur de case représente la seconde mesure. En un seul coup d’œil, il est possible d’évaluer l’importance de ces mesures appliquées à la requête. Par exemple, si la taille correspond aux ventes et la couleur, aux bénéfices, vous pouvez : • Évaluez les performances en vous posant des questions telles que « Quel produit a réalisé les plus fortes ventes au cours du quatrième trimestre 2002 ? » (plus grande taille affichée dans l’angle supérieur gauche : SE200) et « Quel est le produit qui a réalisé la meilleure progression ? » (couleur claire en bas à gauche : CA 635). • Identifiez des opportunités d’amélioration en vous demandant : « Pourquoi, malgré sa position en tête des ventes (case la plus grande), le produit MI-562 a-t-il réalisé une progression médiocre (couleur la plus foncée) ? » • Identifiez les exceptions en vous demandant : « Pourquoi tel produit réalise-t-il des ventes inférieures aux autres produits doublées d’une faible progression (petite taille et couleur noire) à celles des autres produits durant la même période ? »

Figure 12.3 — Carte de performances

12.2 Proclarity Analytics Server (PAS)

12.1.3

———————————————————————————————————————————————————————

351

La vue en perspective

Une vue en perspective ressemble à un nuage de points, à ceci près qu’elle offre des informations plus détaillées et plus nombreuses. Elle affiche les performances de grandes quantités de données en fonction de deux mesures. Elle permet de répondre à des questions telles que : • Quels sont les clients avec lesquels je fais le plus de bénéfices ? (Quelle est la part du bénéfice par rapport à la rentabilité ?) • Quel est le rapport entre le chiffre d’affaires prévisionnel et le chiffre d’affaires réel ? • Quel est le rapport entre le budget et la situation réelle ? La vue en perspective (figure 12.4) est utilisée pour mettre en évidence les relations entre de nombreuses représentations de données. Elle permet d’effectuer une analyse sectorielle, d’expliciter d’importants volumes de données et d’établir des correspondances entre plusieurs mesures simultanément au sein d’une hiérarchie. Lorsque vous déplacez les règles mobiles statistiques, vous pouvez vous concentrer sur un pourcentage donné de la valeur totale. Vous pouvez, par exemple, déplacer la règle pour afficher les quatre-vingts premiers pour cent du chiffre d’affaires et 80 % des quantités.

Figure 12.4 — Vue en perspective permettant de comparer les quantités vendues sur Internet avec le montant des ventes (chiffre d’affaires)

12.2 PROCLARITY ANALYTICS SERVER (PAS) Analytics Server permet de fournir des analyses basées sur le Web auprès d’utilisateurs disposant d’un simple navigateur (zero footprint). PAS Intègre un serveur de cubes. Les tableaux sont accessibles grâce à des vues stockées dans des livres. Chaque livre fait l’objet d’une sécurité particulière

352

————————————————————————————————————————————————————————

12. L’analyse de données sur le Web

au moyen du gestionnaire d’administration du serveur PAS. La sécurisation des cubes (accès aux dimensions, aux mesures, etc.) est effectuée dans Analysis Services 2005.

Figure 12.5 — Plate-forme de business intelligence de Proclarity

Analytics Server est le composant central de la plate-forme de business intelligence (figure 12.5). Les utilisateurs peuvent manipuler leurs données, les analyser et communiquer des tableaux au moyen d’une grande variété d’interfaces. Les administrateurs disposent d’un outil leur permettant de centraliser les droits d’accès aux librairies en un endroit unique. Le serveur analytique centralise la définition de rapports pré-établis dans un livre (briefing book). La publication du livre sur le serveur PAS autorise son exploitation via un navigateur Internet. La figure 12.6 montre les différents onglets permettant d’effectuer tous types de traitements sur les rapports. L’onglet navigation rassemble des fonctions de Drill down (forage vers le bas), de Drill Up (forage vers le haut), L’onglet Data Layout permet de disposer les mesures et les dimensions sur la surface du dessin. L’onglet View permet de choisi le type de graphe. L’onglet Sort effectue des tris sur les données. L’onglet Filter autorise des filtres sur les sources de données; Ces onglets sont détaillés dans les figures 12.11 et suivantes. L’interface d’administration est composée de deux parties : la gauche présente les composants tels que les librairies et les rôles, la droite fournit les détails des répertoires.

12.2 Proclarity Analytics Server (PAS)

———————————————————————————————————————————————————————

Le lecteur pourra découvrir par lui-même le mode de fonctionnement de cet outil en se connectant sur le site de l’auteur www.buroformatic.com

Figure 12.6 — Rapport stocké sur la plate-forme analytique permettant une navigation dans un cube OLAP sur le Web

Figure 12.7 — Console d’administration du serveur analytique de Proclarity

353

354

————————————————————————————————————————————————————————

12. L’analyse de données sur le Web

Dans la figure 12.7 on observe la console de management de PAS. Celle-ci fait apparaitre le serveur composé de librairies, de roles et d’utilisateurs. Chaque librairie et chaque livre qui la compose fait l’objet d’une autorisation d’accès explicite. Dans la partie de droite on observe les rapports appartenant à chaque librairie.

Figure 12.8 — Détail de la console d’administration de Proclarity

Les Librairies sont créées sur le serveur analytique par les utilisateurs autorisés à l’aide de Proclarity Professionnal. Lors de la création d’une librairie, le dossier Books est créé. Il rassemble les rapports partagés sur le serveur. Le répertoire Components contient les logiciels distribuables auprès des utilisateurs sur le Web. Par exemple, le composant Web Professional peut être autorisé au téléchargement afin de permettre la création de rapports sur le Web. Le répertoire des Rôles contient des groupes d’utilisateurs. Le répertoire des Users contient les comptes individuels ajoutés au serveur analytique. Par défaut PAS (Proclarity Analytic Server) refuse les droits de publication ou de fournir des liens vers les livres de rapports via e-mail. Le serveur Proclarity agit comme une sorte de portail intégrant des rapports d’origines différentes telles que Reporting Services. La figure 12.9 montre l’intégration d’un Rapport des ventes élaboré avec Reporting Services dans une interface Proclarity. Les outils disponibles dans l’interface web sont nombreux. La figure 12.10 montre une sélection de sets (ensemble de données). Les boutons ADD ou Remove permettent d’ajouter ou de retirer les sélections.

12.2 Proclarity Analytics Server (PAS)

———————————————————————————————————————————————————————

355

Figure 12.9 — Reporting Services encapsulé dans le portail Proclarity

Figure 12.10 — Le gestionnaire de hiérarchie

L’onglet Navigation Sur le web il existe deux modes de navigation : standard et Professional. Le mode standard ne nécessite aucun ajout ou téléchargement de contrôle activeX. Le mode professional n’est disponible que si l’application Proclarity Professional est installée sur le poste client.

356

————————————————————————————————————————————————————————

12. L’analyse de données sur le Web

Figure 12.11 — Navigation en mode web

Dans la même interface web, il est possible de recourir à tous types de navigation (figure 12.11) tels que Drill down, Drill Up, Expand (développer), Show only (sélectionner un membre seulement) ou Hide (cacher tel ou tel membre de dimension).

L’onglet View L’onglet View permet de choisir les types de graphiques, d’ajouter des options de totalisation par ligne et colonnes ou de supprimer les hiérarchies dimensionnelles. L’onglet Sort permet de trier toute colonne en ordre ascendant ou descendant tout en préservant les groupes hiérarchiques. L’onglet Filter permet de sélectionner ou cacher des lignes selon les critères habituels : les n meilleurs, les x valeurs les plus basses. Les valeurs au-dessus, audessous ou entre des bornes. Il est possible de fournir les valeurs en pourcentages ou en sommes de mesures. L’utilisateur dispose d’un choix de fonctions (figure 12.13) permettant de sauvegarder ses vues personnelles afin d’organiser son propre environnement d’analyse. Il peut également imprimer sur l’imprimante disponible ou exporter les

12.2 Proclarity Analytics Server (PAS)

———————————————————————————————————————————————————————

357

Figure 12.12 — L’onglet View

données dans la version d’Excel installée sur le poste utilisateur. L’envoi par email permet de faire parvenir un lien au destinataire. Ce lien exécute un accès sécurisé au serveur afin de fournir des données dynamiques et à jour. L’envoi par mail d’un rapport au format PDF est également possible grâce à la fonction imprimer. La figure 12.13 montre les différentes options d’envoi de documents (Imprimante, Excel, Messagerie électronique, serveur PAS etc.) Les utilisateurs qui disposent d’une version Proclarity Professional installée sur le poste peuvent aussi créer et publier de nouveaux rapports sécurisés.

Figure 12.13 — Différentes options d’envoi de documents

358

————————————————————————————————————————————————————————

12. L’analyse de données sur le Web

PAS gère toutes les connexions et les droits d’accès aux cubes. Dans un environnement de clusters, PAS permet un accès simultané de plusieurs milliers d’utilisateurs. Les techniques de caching optimisent les performances.

12.3 DASHBOARD SERVER Dashboard Server requiert une installation complémentaire. Le tableau de bord permet de regrouper de façon très synthétique un grand nombre d’applications telles que Reporting Services grâce à des liens ou des portlets embarqués dans le portail.

Figure 12.14 — L’interface de Proclarity Dashboard offre les fonctionnalités d’un portail

Il y a fort à parier que Proclarity Dashboard et Business Scorecard Manager fusionneront en une nouvelle version.

12.4 Conclusion

——————————————————————————————————————————————————————————————————————————

359

12.4 CONCLUSION Ce chapitre a montré l’innovation apportée par le logiciel Proclarity et ses différentes déclinaisons. L’accès aux tableaux via le web est une demande croissante en particulier pour les opérateurs qui offrent des solutions d’hébergement d’applications (ASP : Applications Services Providers). Selon les informations en notre possession, Microsoft projette d’inclure l logiciel Proclarity dans son futur produit PerformancePoint. Une version de PerformancePoint integrera également BSM. Le lecteur intéressé par PerformancePoint pourra consulter le site http://office.microsoft.com/fr-fr/assistance/CH101649551033.aspx.

13 Passez à l’action !

Tous les projets ne se ressemblent pas et tous les chefs de projets sont différents. Commençons par le premier constat. La gestion d’un projet décisionnel (BI) est différente de celle d’un projet traditionnel car elle implique un grand nombre de technologies différentes, tant sur le plan logiciel que matériel. En outre, les projets traditionnels de développement de logiciels impliquent une méthodologie de développement linéaire, alors que les projets de BI exigent une approche itérative. L’approche itérative débute par l’étude des besoins, l’ébauche du modèle analytique, sa mise à disposition auprès des utilisateurs et les corrections qui s’imposent en fonction de l’adéquation des résultats obtenus par rapport à ceux attendus et des contraintes d’évolution du métier. Les projets BI exigent également de l’équipe projet d’avoir une plus grande interaction avec un large périmètre fonctionnel, rassemblant des interlocuteurs compétents en systèmes d’information ainsi que des analystes et managers. Pour réussir dans le domaine de la BI, une équipe de projet doit être composée de membres ayant une forte composante métier conjuguée à une bonne compétence technique. Ces contraintes exigent souvent une connaissance approfondie sur le sujet traité (finance, marketing, achats, etc.). Naturellement, la maîtrise des technologies essentielles telles que l’intégration de données, la modélisation ou l’analyse d’entreprise est indispensable.

362

—————————————————————————————————————————————————————————————————————

13. Passez à l’action !

13.1 LES CARACTÉRISTIQUES DU CHEF DE PROJET DÉCISIONNEL Les personnes qui se cachent derrière les projets sont les pilotes fondamentaux du succès. Elles doivent posséder un large éventail de qualifications afin d’être efficaces. Au cours de ces dernières années, nous avons travaillé sur de nombreux projets BI, en revêtant tour à tour le rôle d’analyste, d’architecte ou de technicien des systèmes d’information. Nous avons travaillé avec des chefs de projets exceptionnels. Mais nous avons aussi hérité de projets enlisés par manque de compétence des acteurs ou par absence de volonté de la part de la direction. Notre expérience dans le domaine des projets décisionnels nous a amené à définir les caractéristiques essentielles du chef de projet décisionnel. Être bien informé Au-delà de la maîtrise d’une méthodologie de gestion de projet, un chef de projet BI doit être bien informé des contraintes du métier traité ainsi que des aspects techniques du projet. Les chefs de projet qui réussissent se tiennent constamment informés des avancées les plus récentes en matière de BI. Un chef de projet qui veut affirmer son leadership sur son équipe doit imposer des méthodes éprouvées aussi bien face aux responsables métier que face aux techniciens du datawarehouse. Les bons chefs de projet en BI ont une grande connaissance des architectures techniques ainsi que des liens existant entre les données opérationnelles et le modèle dimensionnel de l’entrepôt de données. Le chef de projet compétent a une conscience objective de son niveau de connaissance. Il est capable de mesurer ses propres lacunes et de les combler par une assistance complémentaire. Son seul but est la réussite globale du projet. Être expérimenté Ils sont peu nombreux, les chefs de projets disposant d’une expérience en tant que chef de projet BI et ayant une connaissance des outils de mise en œuvre. Une connaissance théorique de la gestion de projets BI est certes nécessaire. Cependant, pouvoir anticiper les problèmes dès la phase conceptuelle est un atout supplémentaire qui ne peut résulter que d’une expérience de terrain. Pouvoir déceler dès le départ certaines carences dans la mise à disposition des données évite un enlisement probable. Le processus itératif, dans la mesure où il ne remet pas en cause le schéma initial, permet de réagir positivement aux demandes d’adaptation liées à une meilleure appréciation des besoins. Idéalement, le chef

13.1 Les caractéristiques du chef de projet décisionnel

————————————————————————————————————————

363

de projet BI aura assumé par le passé plusieurs rôles différents dans des projets antérieurs. En plus de l’expérience pratique des projets BI, un chef de projet efficace doit contrôler l’étendue du projet et de son budget. Ceci exige de sa part qu’il surveille activement l’avancement des tâches, les livrables, le temps passé et les dépenses occasionnées par chaque membre de l’équipe projet. En contrôlant activement tous ces points, le chef de projet peut déterminer l’impact d’une demande de changement et les risques de dépassement de budget. Leadership Tout le monde ne dispose pas des qualifications ou des qualités personnelles nécessaires au contrôle d’un projet informatique. Un chef de projet doit pouvoir être source d’inspiration et forcer le respect, vis-à-vis des membres de l’équipe projet mais également vis-à-vis des commanditaires et des représentants de la communauté d’utilisateur. Cela exige du chef de projet de pouvoir gérer les attentes de ceux à qui il rapporte directement aussi bien que de ceux qui lui rapportent directement. Le chef de projet doit construire une équipe formée d’individus qui possèdent différentes qualifications et si possible complémentaires. Développer une équipe aux compétences croisées représente un réel défi parce que les membres sont souvent issus de disciplines et de milieux différents. Cela exige du leader une volonté d’unir des membres pour le bien commun de l’équipe et le succès du projet. Le chef de projet doit également maîtriser la gestion des conflits et l’art de la négociation. On constate cependant que beaucoup de dirigeants manquent tout simplement de compétences dans l’art de manager les hommes. Compétences en organisation Les meilleurs chefs de projet BI sont très organisés et adhèrent aux principes de base de la gestion de projet. Cela exige d’eux de développer et soumettre pour approbation un plan formel de projet intégrant les livrables, les charges, la chronologie des tâches et le budget. Une fois que le planning a été approuvé, le chef de projet surveille activement l’avancement des travaux par rapport au plan. La seule manière de communiquer l’état d’avancement du projet est de tenir des réunions hebdomadaires auxquelles sont conviés tous les membres de l’équipe, les commanditaires du projet et le comité de coordination de projet. En conduisant ces réunions régulièrement, tous les acteurs du projet sont informés de l’avancement, des problèmes éventuels et des retards qui en découlent.

364

—————————————————————————————————————————————————————————————————————

13. Passez à l’action !

Compétences en communication Pour être un chef efficace, un individu doit également être un grand communicateur. Un chef de projet efficace transmet ses messages de manière compréhensible afin d’être entendu par l’ensemble des acteurs. Cela exige des capacités de communication écrite et orale. La communication claire et concise est indispensable au soutien de la solution par la communauté des utilisateurs. Le succès d’un projet BI est intimement lié à la compréhension de l’utilité et à l’efficacité de la solution développée. Si les utilisateurs ne parviennent pas à utiliser simplement la solution ou ne comprennent pas les avantages qu’elle leur fournit, pourquoi devraient-ils changer leur comportement ? La communication efficace est essentielle aux attentes des gestionnaires. De plus elle instruit les utilisateurs et encourage les individus à accepter plus facilement le changement. Qualités personnelles De notre point de vue, il y a quelques traits personnels qui distinguent de bons chefs de projet de ceux qui sont exceptionnels. Tout d’abord, il y a l’honnêteté et le désir de franchise dans les communications. Un excellent chef de projet sait nuancer son attitude, qui peut être ferme et claire afin d’insister sur un point précis ou remplie de tact pour ne pas détériorer des relations ou endommager des rapports entre individus. L’honnêteté stimule la confiance et le respect entre les membres de l’équipe projet et les sponsors. En second lieu, les chefs de projet BI exceptionnels sont positifs, ce qui ne signifie pas d’un optimisme béat. Un optimiste espère toujours que le meilleur arrivera en dépit des difficultés, et ne parvient pas à anticiper les problèmes avant qu’il ne soit trop tard. D’autre part, une attitude positive inclut une certaine quantité de scepticisme et une bonne compréhension des réalités de la situation. Troisièmement, les excellents chefs de projet BI sont clairvoyants et peuvent identifier des sujets de préoccupation avant qu’ils ne deviennent de vrais problèmes. Tandis que la perception est influencée par l’expérience, la capacité à identifier ces difficultés réduit considérablement le risque et permet au projet de continuer d’avancer. Apprendre des expériences passées Les excellents chefs de projet possèdent de nombreuses qualités acquises au fil de leur parcours professionnel, et sont influencés par leurs expériences précédentes. Les caractéristiques communes d’un tel chef de projet sont ces traits qui les distinguent de leurs confrères. Le succès d’un projet BI repose sur le chef de projet et sa capacité à composer avec les courants politiques de l’organisation tout en cherchant l’appui du commanditaire de projet et du comité de coordination.

13.2 Quel est le retour sur investissement ?

——————————————————————————————————————————————————

365

13.2 QUEL EST LE RETOUR SUR INVESTISSEMENT ? Il est important de considérer que ce qui compte n’est pas ce que l’on sait mais bien ce que l’on fait avec ce que l’on sait. De la même manière, tout actif d’entreprise n’a de valeur que si l’on en fait quelque chose. Dans le monde de la BI, il convient d’observer que des investissements sont nécessaires à la construction d’un environnement dans lequel les données se transforment en connaissance. Mais le réel bénéfice provient de l’action générée par la connaissance. Cela signifie simplement que chaque organisation ne fait pas simplement que produire de l’information. Elle dispose de méthode pour extraire de la valeur de la connaissance, agir en conséquence et mesurer l’efficacité de son action. Il s’agit là non pas d’un problème technique mais bien d’organisation. Identifier une connaissance « active » est une chose, mais réaliser l’action requise nécessite une organisation agile et fortement réactive. Les gestionnaires évaluent sans cesse les coûts comparés aux avantages de telle ou telle option. La compréhension et la quantification des coûts comparés aux bénéfices sont nécessaires afin de répondre à une telle question. De plus en plus souvent, les chefs de projet sont invités à évaluer le coût relativement à l’avantage d’entreprendre un projet de business intelligence. Plusieurs mesures financières peuvent être retenues telles que le taux interne de rendement (IRR), la valeur nette (NPV), la période de remboursement et le retour sur l’investissement (ROI). Chacune de ces mesures présente des avantages. Cependant, une mesure généralement admise est le ROI. Les composants de cette stratégie comportent une analyse des coûts, un accroissement des revenus liés à cette activité, et d’autres bénéfices. On peut distinguer les points suivants : • les coûts fixes liés à l’acquisition de l’infrastructure (achats du datawarehouse et des licences de base); • les coûts variables associé à l’activité. (achat des licences des outils de restitution); • les coûts induits par la maintenance de l’activité; • la valeur des bénéfices dérivés des actions induites par la connaissance; • le modèle de valeur attendu de cette activité; • la détermination à rentrer dans ses frais tout en proposant un modèle de profitabilité. Les coûts directs sont des dépenses réelles qu’une organisation peut clairement identifier. Ils incluent le prix d’achat du logiciel, des honoraires de main-

366

—————————————————————————————————————————————————————————————————————

13. Passez à l’action !

tenance, des dépenses de développement générant des coûts de main d’oeuvre internes et externes. S’ajoute à cela des coûts de logiciels et de formation des utilisateurs. Les coûts indirects sont plus difficiles à identifier ou mesurer. Puisqu’ils se produisent habituellement après le démarrage de l’application, ils ne sont pas souvent inclus dans le coût de mise en œuvre d’un projet décisionnel. Cependant, ces coûts indirects sont une composante importante du coût global. Ils intègrent la mise à niveau des postes client, des infrastructures de réseau, la mise à niveau des logiciels, le soutien des utilisateurs et leur formation aux nouvelles applications. La compréhension du coût total est impérative pour que le projet ne sorte pas du cadre du budget. Le chiffrage des différents composants du projet tels que les coûts de logiciel et des honoraires de maintenance et le coût moyen de configuration peuvent être obtenus auprès de ressources externes. Les coûts estimatifs de déploiement de l’application feront partie intégrante du calcul du ROI. Si le modèle ne permet pas clairement de rentrer dans ses frais il convient d’être circonspect sur la nécessité d’entreprendre ce chantier. La formule communément admise pour le calcul du ROI est la suivante : ROI = [(Économies réalisées – Investissement)/Investissement)] × 100

Exemple La société Adventure Works Cycles souhaite mettre en place un projet décisionnel afin d’offrir à son personnel des outils d’interrogation et de reporting. Cependant, compte tenu de l’engagement financier important, le sponsor du projet et la direction générale veulent connaître le ROI généré par le projet BI. Afin d’établir des éléments de comparaison, on estime la charge de travail actuelle du reporting à 120 heures/mois. On calcule les coûts de la mise en place d’un nouveau développement BI. Ils sont synthétisés dans le tableau suivant. Dépenses Matériel

Coût 5 000 €

Logiciel (SQL Server Enterprise)

25 000 €

Main d’œuvre (chef de projet + développeur)

35 000 €

Total

65 000 €

Durée estimée du projet : trois mois.

13.2 Quel est le retour sur investissement ?

——————————————————————————————————————————————————

367

Maintenance et support : Coût en € (2 000 h/an)

% du temps de travail

Fonction Administrateur de base de données

5%

7 500

Administrateur système

5%

7 500

Administrateur réseau

5%

7 500

Total

22 500

Le coût de maintenance des logiciels est de 10 % par an. Le nombre d’heures de travail par individu est de 2000 par an. Le salaire horaire moyen est estimé à 75 €. Voici un calcul du ROI sur un horizon de trois ans. Adventure Works Cycles ne déployant pas de projet BI

Main d’œuvre (120 h/mois)

Année 0

Année 1

Année 2

Année 3

108 000

108 000

108 000

108 000

Adventure Works Cycles déployant un projet BI Matériel

5 000

Logiciel

25 000

2 500

2 500

2 500

Main d’œuvre

35 000

22 500

22 500

22 500

Total investissement

65 000

25 000

25 000

25 000

83 000

83 000

83 000

Résultats Économie

n/a

L’économie réalisée sur les trois premières années est de 249 000 €. Total de l’investissement des quatre premières années = 140 000 €. ROI = [(249 000 – 140 000)/140 000)] × 100 Soit un ROI de 78 % sur 3 ans. Ce rendement peut être considérablement accru dans le cas ou la société Adventure Works Cycles commercialisant un grand nombre de marques décide de fournir l’accès aux données à chacun des ses fournisseurs. Créant un portail

368

—————————————————————————————————————————————————————————————————————

13. Passez à l’action !

décisionnel à haute valeur ajoutée pour ses fournisseurs, elle peut en attendre un loyer mensuel basé par exemple sur le chiffre d’affaires réalisé. Dans l’exemple ci-dessus nous avons volontairement comparé un système manuel à un système automatisé. Nous n’avons pas intégré des notions telles que l’amélioration considérable de la qualité des données, de la rapidité de leur mise à disposition et de leur diffusion, ainsi que la disponibilité d’analyses permettant d’effectuer des choix de gestion pertinents grâce à des observations qu’il était impossible de réaliser dans un système manuel.

13.3 FAIRE UNE OFFRE DE SOLUTION DÉCISIONNELLE La mise en œuvre d’une solution décisionnelle nécessitait jusqu’à présent un budget conséquent et une maintenance très lourde. Toutefois, depuis que la démocratisation de l’informatique décisionnelle s’est mise en marche, la donne a considérablement changé. Le développement d’offres de plus en plus packagées et complètes ainsi que la naissance d’outils de reporting orientés utilisateurs facilitent grandement l’accès à une version unique et vérifiée de l’information selon le format désiré. En guise de synthèse de cet ouvrage, nous proposons une démarche progressive et concrète de mise en place de solutions décisionnelles, quelle que soit la taille de l’organisation considérée. Dans sa plus simple expression, la solution est articulée autour de deux éléments : • SQL Server 2005 côté serveur; • Office 2003 côté client. Le serveur SQL Server comporte de manière intégrée tous les éléments nécessaires à une solution décisionnelle : • un ETL d’entreprise, Integration Services, pour l’extraction, la transformation et le chargement des données à partir de n’importe quelle source; • une base de données relationnelle intégrée à un moteur multidimensionnel OLAP; • un serveur de rapport, Reporting Services, qui permet des restitutions d’informations sous toutes formes. (reporting de masse, reporting ad hoc). Côté client, notre solution comporte : • Excel complété par un add-in Excel pour les besoins de simulation; • les Office Web Components pour un accès via le Web;

13.3 Faire une offre de solution décisionnelle

————————————————————————————————————————————————

369

• SharePoint Portal Server, pour le partage des graphiques et tableaux croisés dynamiques sur l’intranet ou le portail d’entreprise; • optionnellement, MapPoint peut être intégré au dispositif pour une représentation cartographique ou à des fins de « géo-analyse »; • Proclarity, nouvel add-in de Microsoft, pour une meilleure visualisation des données et un serveur de cubes sur le Web; • un serveur de Business Performance Management (Business Scorecard Management) permettant une mise en place et un suivi de tous types d’indicateurs clés de performance. Il est conseillé d’avoir connaissance des évolutions de ces deux produits dans la stratégie Microsoft. En effet, Microsoft annonce Office PerformancePoint pour le premier semestre 2007. Il s’agit d’une application de planification, de budgétisation et de prévisions. D’après les informations en notre possession lors de la rédaction de cet ouvrage, il semblerait que cette appellation englobe Proclarity et Business Scorecard Management au sein de SharePoint.

Sources

DataMarts

Reporting Analyses détaillées

ERP

Outils familiers (Excel, Navigateur,…)

CRM

Applications tierces

SQL Server

LOB

Rapports interactifs

Terminaux

Tableaux de bord

Stockage

Analyse

Intégration Services

Analysis Services

Reporting

Reporting Services

Figure 13.1 — Les composants d’une offre décisionnelle globale

13.3.1

Un ETL d’entreprise, Integration Services

L’accès aux données – dispersées dans différentes parties du système d’information des entreprises, selon de multiples sources – nécessite la mise en place de

370

—————————————————————————————————————————————————————————————————————

13. Passez à l’action !

protocoles. Simplifier cette étape est indispensable pour pouvoir ensuite manipuler les données, les confier aux utilisateurs et améliorer la diffusion d’information dans l’entreprise. Un ETL extrait les données de sources hétérogènes, les transforme et les réinjecte dans une nouvelle base, le datawarehouse. Cela permet de nettoyer et transformer les données. Une seule source de données est ensuite interrogée par l’outil de restitution. Le module d’ETL qui porte le nom d’Integration Services (SSIS) permet une intégration des données en provenance de diverses sources hétérogènes vers les environnements d’aide à la décision (moteur OLAP, datamart, datawarehouse) ou tout autre type d’application. Les caractéristiques majeures de SQL Integration services sont les suivantes : • service de transfert de données (ETL); • accès à tous types de sources de données (SGBD tiers, mainframe, fichiers, ODBC, XML, ERP, CRM…); • transfert et conversion des données à l’aide de scripts; • planification de l’exécution des tâches; • moteur d’agrégation; • support des environnements 64 bits; • intégration avec le reste des composants; • les fonctions de SSIS sont exposées au travers d’un modèle objet; • migration depuis DTS 2000; • signature des packages à l’aide des certificats; • visualisation en temps réel des données traitées; • possibilité de créer des points de reprise; • débogage facilité par l’insertion de points d’arrêt; • environnement de développement intégré à Visual Studio.

13.3.2

Un SGBD pour la gestion des gros volumes de données

SQL Server 2005 gère à la fois des bases de données de taille modeste mais aussi de très grandes bases de données (plusieurs dizaines de téra-octets). Les fonctionnalités de partitionnement des données, de restauration (récupération rapide et restauration en ligne), d’opérations de gestion (ré-indexation en ligne, etc.), d’isolation des transactions, permettent de mieux répartir la charge et de travailler sur une base en permanence disponible.

13.3 Faire une offre de solution décisionnelle

13.3.3

————————————————————————————————————————————————

371

Une architecture qui garantit la disponibilité des données

SQL Server 2005 permet la mise en place de solutions de haute disponibilité, tout en minimisant les charges d’administration et d’exploitation. Par exemple, la mise en miroir (nouvelle fonction de SQL Server 2005) permet un basculement automatique pour les applications clientes en cas de défaillance d’un serveur, sans perte de données et dans un temps très réduit.

13.3.4

Compatibilité, ouverture

Intégration des données : des sources de données de tous types peuvent être intégrées dans les flux de transformation : Oracle, sources XML, services web, fichiers plats, etc. Mécanisme de réplication : SQL Server peut être utilisé comme répliquat d’une base Oracle. Chaîne décisionnelle : le mécanisme UDM (Unified Dimensional Model) permet l’intégration dans la chaîne décisionnelle de n’importe quelle source de données (base ERP, CRM, relationnelle, multidimensionnelle…). Reporting : pour créer des rapports depuis des bases de données non Microsoft, de produire des rapports avec des outils tiers dans des formats au standard du marché (PDF, XML, HTML, CSV, etc.). SQL Server 2005 ajoute un support natif des services web et de XML dans la base de données. Cela permet une gestion complète et optimisée des documents XML dans la base de données et la possibilité d’ouvrir les services du moteur relationnel en utilisant des standards du marché (services web). SQL Server 2005 offre aussi une meilleure compatibilité avec les environnements Oracle, et des interfaces sont disponibles pour SAP.

13.3.5

Productivité dans le développement d’applications liées à SQL Server 2005

SQL Server 2005 intègre le framework d’exécution .Net et le moteur relationnel. Cette intégration permet d’optimiser des traitements (fonctions et procédures SQL, etc.) stockés dans la base de données en utilisant un langage de programmation classique (C#, VB.Net, J#). La création de projets et solutions autour de SQL Server 2005 (création de projets d’ETL, de projets décisionnels, de projets de reporting, etc.) s’effectue désormais au travers d’une interface unique : business intelligence Development Studio (Visual Studio). Cette utilisation de Visual Studio permet d’une part une plus grande productivité pour les développeurs (débogage plus aisé, choix du lan-

372

—————————————————————————————————————————————————————————————————————

13. Passez à l’action !

gage de développement le plus adapté), et une industrialisation plus poussée des développements (gestion de sources, isolation des serveurs de développement et des serveurs de production). De plus, le développeur peut s’appuyer sur les services de notification, de reporting, sur une infrastructure complète de service pour se concentrer sur les aspects métier de son application.

13.3.6

Administration renforcée

L’administration se fait via des interfaces graphiques : SQL Server 2005 introduit la console d’administration SQL Server Management Console qui permet l’administration centralisée de l’ensemble des services SQL Server (moteur relationnel, moteur OLPA, moteur ETL, serveur de reporting, mobilité) à travers un unique outil.

13.3.7

Sécurité

SQL Server 2005 introduit de nouvelles fonctionnalités qui renforcent la sécurité des données et des échanges avec SQL Server : • chiffrement des données; • chiffrement des échanges sur le réseau; • gestion des certificats; • filtrage des adresses IP pouvant invoquer un service web.

13.3.8

Analysis Services

Il s’agit de mettre en place une vision multidimensionnelle des données de l’entreprise de sorte à croiser des axes et perspectives à l’aide de nombreuses mesures. La composante multidimensionnelle du moteur SQL Server 2005 est Analysis Services 2005. Elle apporte des fonctions d’analyse en temps réel, un framework de création d’indicateurs de performance (KPI), de modélisation libre (plus grande flexibilité en termes de création des cubes) et des fonctions de haute disponibilité à son moteur OLAP. SQL Server 2005 améliore également son moteur de data mining, permettant d’effectuer des découvertes au sein des datawarehouses.

13.3.9

Reporting

SQL Server 2005 comporte une plate-forme complète de reporting. De la création de rapports au travers de Visual Studio, à la mise à disposition de ces rapports à l’utilisateur via une intégration possible au portail ou à des applications métier.

13.3 Faire une offre de solution décisionnelle

————————————————————————————————————————————————

373

Report Builder permet aux analystes métier de créer des rapports et tableaux avec des fonctions de navigation interactive au sein des rapports. Report Builder est complètement intégré à Reporting Services 2005. Les outils de reporting, une fois déployés par les informaticiens, donnent aux managers une réelle indépendance pour l’accès à leurs données. Les différentes façons de créer un rapport Il existe différentes manières de créer un rapport : • pour les développeurs : Visual Studio; • pour l’utilisateur final : Report Builder; • importation de rapports depuis Microsoft Access; • via des outils partenaires; • génération de description de rapports en RDL. Client Report Builder Report Builder est destiné aux utilisateurs finaux pour leur faciliter la création de rapports. Les utilisateurs n’ont pas besoin de comprendre la structure technique des données sous-jacentes. Les rapports sont construits sur la base de modèles développés à partir de Reporting Services (table, matrice, graphique) et mis à disposition des utilisateurs sur le portail intégré. Les rapports sont directement sauvegardés sur le serveur de rapports. Les rapports conçus par les utilisateurs peuvent être publiés et partagés sur le serveur.

13.3.10 Donner un véritable cockpit de pilotage de l’activité adapté aux différents niveaux de l’organisation Les Anglo-saxons mettent en place des salles de type Management Cockpit. Sans aller jusqu’aux war-room (salles de guerre) présentes dans les grands groupes aux États-Unis, la salle de Management Cockpit permet de réagir rapidement aux événements et aux crises. Les murs de telles salles sont recouverts d’indicateurs visant à faciliter le pilotage de l’entreprise. On retrouve souvent les indicateurs répartis selon les quatre perspectives du Balanced Scorecard définis par MM Norton et Kaplan (Financier, Client, Processus et apprentissage organisationnel). L’ensemble des techniques présentées au cours de cet ouvrage peuvent être regroupées au sein d’un schéma global de la plate-forme décisionnelle. La

374

—————————————————————————————————————————————————————————————————————

13. Passez à l’action !

figure 13.2 montre les différentes couches qui composent cette plate-forme (couche physique d’alimentation, couche applicative, couche de restitution).

Figure 13.2 — La plate-forme décisionnelle

13.4 COMMENT METTRE EN PLACE UN PROJET DÉCISIONNEL ? Un projet décisionnel met en œuvre des technologies diverses et des savoir-faire dans des domaines complémentaires. L’expérience parfois douloureuse des responsables informatiques confrontés aux discours marketing des éditeurs de solutions de business intelligence ont forcé les organisations à la prudence. Avant de s’engager définitivement dans le choix de telle ou telle solution, les décideurs ont besoin de savoir si les outils répondront aux exigences formulées par les demandeurs, mais également le degré d’implication des différents acteurs de l’entreprise. Il est maintenant acquis qu’une première étape d’étude de faisabilité est nécessaire au processus de décision. La terminologie anglo-saxonne est proof of concept (POC).

13.4 Comment mettre en place un projet décisionnel ?

13.4.1

————————————————————————————————————————

375

Objectifs de la preuve de faisabilité

Les objectifs sont les suivants : • permettre dans un délai très court de formaliser les attentes du client et de les matérialiser au travers d’un prototype personnalisé; • cerner les capacités de la solution et acquérir les connaissances de base; • une base de travail et de discussion avec les responsables techniques (architectes, DSI) et les utilisateurs (responsables des directions fonctionnelles ou opérationnelles (finance, achat, marketing, commercial, communication, RH, etc.).

13.4.2

Faisabilité sur site

La démarche de faisabilité sur site inclut les étapes suivantes : • Analyse des besoins. • Interviews et questionnaires. • Implémentation d’un prototype se basant sur les données du client. • Présentation/analyse de la valeur/transfert de compétences.

13.4.3

Livrables

Les livrables sont : • document de synthèse; • prototype; • licence à durée limitée du produit utilisé; • prévoir une durée d’étude de 10 jours. L’étude de faisabilité peut déboucher sur le déploiement de la solution complète. Voici un planning type pour le déploiement.

13.4.4

Planning pour le déploiement de la solution

Les points qui seront abordés sont les suivants : • l’architecture globale; • le planning de la montée en charge; • les recommandations pour les configurations clientes; • les recommandations pour les configurations serveur; • les configurations d’installation des produits.

376

—————————————————————————————————————————————————————————————————————

13.4.5

13. Passez à l’action !

Prototype/pilote

Ce pilote sera conçu en fonction du cahier des charges défini précédemment. Il faudra procéder à : • l’installation sur un des serveurs de l’organisation cliente; • l’intégration des sources de contenus; • la mise en place et la personnalisation de la solution décisionnelle; • l’installation sur les postes client;

13.4.6

Opérations

Il faut définir les procédures opérationnelles principales et toutes les procédures de contrôle : • définition des procédures opérationnelles; • contrôle des performances; • optimisation des performances.

13.5 CONCLUSION Le lecteur aura pu s’en rendre compte, MS SQL 2005 offre une réponse plus que satisfaisante à la mise en œuvre de tout projet décisionnel. L’apprentissage d’un tel outil permet de découvrir non seulement de nouveaux concepts liés au processus décisionnels mais de les mettre rapidement en œuvre grâce à une boîte à outils immédiatement opérationnelle. L’apparente facilité de déploiement d’un projet décisionnel ne doit cependant pas occulter l’impérative nécessité de procéder avec méthode. Tout commence par la vision claire des objectifs à atteindre. Les outils ne sont que le moyen de mettre la stratégie au service de l’entreprise. N’oublions jamais que la phase la plus importante du cycle décisionnel est l’action !

Conclusion Sans action l’intelligence est vaine ! Une enquête récente publiée par le CIO (Le Monde Informatique) montre que le moteur de la stratégie décisionnelle est alimenté à 69 % par le pilotage de la performance, à 53 % par la réduction des coûts opérationnels et à 51 % par l’optimisation de la productivité. À la question « quels sont les facteurs clés de succès d’un projet décisionnel », 86 % des décideurs pensent que l’adéquation aux objectifs métier est essentielle. Viennent ensuite l’adhésion des utilisateurs (78 %), l’implication de la direction générale (72 %), l’adéquation à la stratégie de l’entreprise (61 %) puis la rapidité de mise en œuvre (51 %). Enfin, les managers pensent que les fonctions décisionnelles à mettre en place sont prioritairement le reporting ad hoc (61 %), le tableau de bord pour 59 %, le portail décisionnel (54 %), et l’analyse multidimensionnelle (51 %). Comme nous l’avons vu dans cet ouvrage, des outils sont largement disponibles. De nombreux assistants logiciels tentent de banaliser les fonctions qui, il y a peu encore, semblaient réservées à des élites (statisticiens, prévisionnistes, spécialistes en intelligence artificielle ou systèmes experts). La technologie d’aujourd’hui met à portée de clic les analyses les plus complexes (data mining, simulations, analyses prédictives). Rappelons que 80 % de la réussite d’un projet de business intelligence provient de la qualité du datawarehouse. La méthodologie qui préside à la conception de l’entrepôt (cf. chapitre 2) est à ce titre fondamentale. Les logiciels sont largement compatibles avec les technologies OLAP de Microsoft. Que vous utilisiez des outils d’analyse comme Excel, Powerplay de Cognos, Business Objects, Hyperion, vous pouvez réaliser rapidement et à peu de frais un système décisionnel. Le processus itératif d’un projet décisionnel permet de prendre en compte de plus en plus de besoins et ainsi de suivre la progression de l’activité de toute entreprise.

378

——————————————————————————————————————————————————————————————————————————————

Conclusion

Cependant, peu nombreux sont les décideurs qui exploitent ces outils en totalité. Qui peut se vanter de connaître (et encore moins d’appliquer) toutes les fonctionnalités d’Excel ? Aujourd’hui les outils de BI sont extrêmement aboutis et vont même bien au-delà des besoins des décideurs. Le véritable enjeu ne réside pas dans le mode d’emploi des outils de BI, lesquels sont dotés de plus en plus d’assistants (ils seront bientôt banalisés comme ce fut le cas de la bureautique dans les années quatre-vingt-dix) mais bien d’avantage dans la capacité d’utiliser ces outils au service de la stratégie de l’entreprise. Appliquons l’adage de Socrate, « connais-toi toi-même », à notre sujet d’étude. C’est parce que l’entreprise réalise un travail d’introspection sur elle-même qu’elle va pouvoir se situer dans le monde qui l’entoure. Mais pour bien connaître le monde, l’entreprise doit exercer une veille permanente. Le Corporate Performance Management (CPM), qui se définit comme un ensemble de méthodes et d’outils destinés au contrôle des performances de l’entreprise, s’appuie d’ores et déjà sur les fondements de la business intelligence. La chaîne de commandement dans les organisations passe du mode simulation au mode opératoire et réciproquement selon un cycle vertueux mû par la stratégie globale de l’entreprise. La business intelligence n’est ni un mirage, ni un miracle de la technologie. Si elle n’a pas toujours été comprise, c’est qu’elle n’a pas été suffisamment expliquée par ses promoteurs. Nous pensons qu’elle s’intègre elle-même dans une approche multidimensionnelle où les trois axes sont pragmatisme, rigueur et pédagogie. Pragmatisme parce que la business intelligence s’impose au-delà des modes en mettant en concordance technologie et stratégie d’entreprise. Rigueur dans le respect de règles de l’art et des méthodologies de gestion de projets. Pédagogie afin de rapprocher ceux qui conçoivent les systèmes et les mettent en œuvre de ceux qui les utilisent au quotidien. L’auteur espère apporter sa modeste contribution au mouvement de démocratisation de la business intelligence. Il forme et encadre en entreprise des étudiants en informatique à l’Institut du management de l’université de Savoie. Ces jeunes, compétents, ouverts à toutes les technologies, apportent des réponses concrètes aux problématiques rencontrées dans les entreprises industrielles ou de services. Mais ne l’oublions jamais, le but principal de l’éducation n’est pas le savoir, mais l’action. La connaissance seule ne suffit pas. La connaissance n’a de valeur que si on l’exploite. Sans action, l’intelligence est vaine. Ce n’est pas ce qu’on sait qui est le plus important, mais plutôt ce qu’on fait avec ce qu’on sait. Et un dernier conseil à ceux qui douteraient encore : il y a pire dans la vie que de ne pas avoir réussi, c’est de ne pas avoir essayé !

Bibliographie

Ouvrages sur la business intelligence e-business Intelligence, Bernard Liautaud avec Mark Hammond, Éditions Maxima, 2001. Tableaux de bord et Balanced scorecards, Carla Mendoza, Revue Fiduciaire (Guide de gestion), 2002. L’essentiel du tableau de bord, Alain Fernandez, Éditions d’organisation. The Microsoft Data Warehouse Toolkit – With SQL Server 2005 and the Microsoft business intelligence Toolset, Ralph Kimball, John Wiley & Sons, 2006. Le data warehouse, Guide de conduite de projet, Ralph Kimball, Laura Reeves, Margy Ross, Warren Thornthwaite, Éditions d’Organisation, Fev. 2005. The Multidimensional Manager. 24 ways to impact your bottom line in 90 days, Richard Connelly, Robin McNeill, Roland Mosimann Cognos, Juin 2001. The Multidimensional Organization. How to deliver the 24 ways, Richard Connelly, Roland Mosimann, Cognos, Avril 1999. Microsoft OLAP Solutions, Erik Thomsen, George Spofford, Dick Chase, Editions Wiley, 1999. Mesurer et développer les performances, Jean-Pierre Mercier, Éditions Quebecor, 2003. Indicateurs et tableaux de bord; 100 questions pour comprendre et agir, Roger Aïm, Éditions AFNOR, 2004. Le pilotage opérationnel de l’entreprise, Jean-Michel Treille, Éditions d’Organisation, 2004.

380

————————————————————————————————————————————————————————————————————————————

Bibliographie

Analyse financière et reporting avec Excel, Joseph Rubin, Éditions d’Organisation, 2004. Le tableau de bord facile, Daniel Boix – Bernard Féminier, Éditions d’Organisation, 2003. Le Management Cockpit, Patrick M. Georges, Éditions d’Organisation, 2002. Data Mining with SQL Server 2005, ZhaoHui Tang – Jamie MacLennan, John Wiley & Sons, 2005. Applied Microsoft Analysis Services 2005, TEO Lachev, Éditions Prologika, 2005 et 2006. Delivering business intelligence with Microsoft SQL Server 2005, Brian Larson, Osborne Mc Graw Hill, 2006. Diriger un projet Informatique – Les secrets des consultants, Jacques Claviez, Éditions JCI inc., 1993. Scénarios pour la NET Economie, Karim Mokhnachi, Sandra Spinek Éditions d’Organisation, 2000. Le tableau de bord prospectif, pilotage stratégique : les quatre axes du succès, Kaplan Robert S. et Norton David P., Éditions d’Organisation, 1998. Maîtriser les processus de l’entreprise, Michel Cattan Nathalie Idriss, Patrick Knockaert., Éditions d’Organisation, 2005. Découvrir Microsoft SQL SERVER 2005, Peter DeBetta, Éditions Microsoft Press, 2004. Quel sytstème décisionnel pour les entreprises agiles ?, Philippe Nieuwbourg Editions Microsoft, mai 2004. Le guide Decideo, Philippe Nieuwbourg, Luc Mornat, Véronique Blanc, Marcom Generation, 2004. Liens vers des sites Internet Site de l’auteur : http://www.buroformatic.com Site de Ralph Kimball : http://www.kimballgroup.com/ Site de Bill Inmon : http://www.billinmon.com Site de l’Institut du Management de l’Université de Savoie : http://www.imus.univ-savoie.fr/ Témoignages de mise en œuvre de SQL Server et la business intelligence : www.microsoft.com/france/sql/sql2005/evaluez/temoignages.mspx

Bibliographie

————————————————————————————————————————————————————————————————————————————

381

Guides comparatifs des fonctionnalités de business intelligence : http://www.guidescomparatifs.com/guide-bi-olap-decisionnel.html Site de présentation de Office PerformancePoint : http://www.microsoft.com/performancepoint Le site de référence Microsoft pour la business intelligence : http://www.microsoft.com/france/sql/sql2005/default.mspx Microsoft et Proclarity : http://www.proclarity.com/fr/ À la découverte de SQL server 2005 : http://www.microsoft.com/france/sql/sql2005/solution/edito/decouverte.mspx Les 30 fonctionnalités majeures de SQL Server 2005 : http://www. microsoft.com/france/sql/sql2005/decouvrez/fonctionnalites.mspx Comparaison des fonctionnalités de SQL Server 2005 : http://www. microsoft.com/france/sql/sql2005/achetez/versions.mspx Formation à SQL Server 2005 e-learning : http://www.microsoft.com/france/sql/sql2005/utilisez/e-learning.mspx Le décisionnel avec SQL Server 2005 : http://www.microsoft.com/france/technet/produits/sql/decisionnel.mspx Site des utilisateurs de SQL Server : http://www.guss.fr/ Business intelligence en Open Source : http://www.palo.net/ http://www.pentaho.com/ La Synthèse 2007 de l’offre Microsoft pour les entreprises : http://www.calipia.com/lasynthese.asp Vous pouvez télécharger la version française et gratuite de SQL Server 2005 Enterprise, valable 180 jours, à l’adresse suivante : http://www.microsoft.com/ downloads/details.aspx?familyid=6931FA7F-C094-49A2-A0502D07993566EC&displaylang=fr Site mondial d’observation du marché OLAP : http://olapreport.com

A Petit historique de la BI

Voici un bref historique des étapes essentielles qui ont jalonné la longue marche de ce que l’on appelle aujourd’hui la business intelligence. Année

Événement

Commentaire

1962

Ken Iverson publie le langage APL (A Programming Langage)

Premier langage multidimensionnel.

1970

Express

Premier outil multidimensionnel visant les applications de type marketing. La version modernisée de ce moteur OLAP est intégrée aujourd’hui dans Oracle 9i Release 2 Option OLAP.

1982

Comshare System W

Premier outil OLAP visant les applications financières. Ancêtre de Essbase.

1984

Lancement de Metaphor

Premier moteur ROLAP (Relational OLAP).

1985

Lancement de Pilot Command Center

EIS en mode client/serveur.

1990

Lancement de Cognos Powerplay

Premier client OLAP pour station de travail sous PC Windows. Indissociable de Transformer (moteur de fabrication des cubes) et Impromptu (requêteur du datawarehouse).

384

—————————————————————————————————————————————————————————————————

Année

Événement

A. Petit historique de la BI

Commentaire

1992

Lancement de Essbase

1993

E. Codd dicte les règles qui décrivent les moteurs OLAP

À la demande de la société Arbor Software. E. Codd avait précédemment dicté les règles universelles du modèle relationnel.

1994

Lancement de DSS Agent par Microstrategy

La version actuelle 7i présente une architecture OLAP à 3 niveaux.

1995

Lancement de Holos 4.0

Outil d’accès aux SGBD relationnels et aux cubes OLAP multidimensionnels. La technologie fut acquise par Crystal Decisions en 1996.

1996

Oracle acquiert Express

Événement d’importance qui propulse l’analyse multidimensionnelle au premier rang. Moteur hybride d’accès aux sources relationnelles et multidimensionnelles.

1996

Lancement de Business Objects 4.0

Création dynamique de cubes fondés sur des données relationnelles. La technologie client/serveur et Web a été acquise par le rachat de Crystal Enterprise.

1997

Microsoft lance la technologie OLE DB for OLAP

Livrable sous forme d’API (module interface).

1998

IBM lance Db2 pour OLAP

Cette version d’Essbase stocke les données selon le modèle en étoile.

1998

Hyperion fournit ses solutions

L’entrée de Microsoft sur le marché OLAP pousse Arbor et Hyperion à fusionner.

1999

Lancement de Microsoft OLAP services

Initialement nommé DSS (Decision Support Services). La technologie OLAP Services a été achetée auprès de la société israélienne Panorama Software en 1996.

2000

Microsoft renomme OLAP Services en Analysis Services

Cette version d’Analsys Services est intégrée gratuitement dans SQL Server 2000.

2000

XML/A

Hyperion, SAS Institute et Microsoft définissent les règles d’accès aux données OLAP via XML for Analysis.

2001

Oracle 9i OLAP

Successeur d’Oracle Express.

2002

Oracle 9i Release 2 OLAP

À mi-chemin entre une base relationnelle et OLAP multidimensionnel.

Petit historique de la BI

Année

———————————————————————————————————————————————————————————————————

Événement

385

Commentaire

2003

Année de consolidation

BO achète Crystal Decisions, Hyperion achète Brio Software, Cognos achète Adaytum et Geac achete Comshare.

2004

Les éditeurs fournissent des add-ins pour Excel

BO, Cognos, Microsoft, Microsotrategy et Oracle mettent à disposition des add-ins pour le tableur Excel.

2004

Hyperion livre Essbase 7X

Orienté applications marketing et financières.

2005

Microsoft livre sa suite intégrale de business intelligence dans SQL Server 2005

La suite SQL Server 2005 intègre un SGBD, le datawarehouse, l’ETL, OLAPet le data mining avec Analysis Services, le reporting avec Reporting Services.

Si SQL Server 2005 intègre aujourd’hui les techniques les plus abouties en matière de BI, c’est qu’il a hérité des nombreuses recherches qui se sont déroulées depuis une quarantaine d’années.

B Le marché mondial de la BI aujourd’hui

L’observatoire indépendant de l’OLAP publie chaque année l’état du marché de l’OLAP et les tendances. Il est possible de consulter les résultats de cette étude sur le site www.olapreport.com. Le graphe de la figure B.1 représente les parts de marché de l’OLAP ainsi que les tendances des dix acteurs majeurs mondiaux.

Figure B.1 — Le marché mondial de l’OLAP a progressé de 15,7 % en 2005

Le marché mondial de la BI aujourd’hui

—————————————————————————————————————————————————————

387

On observe la percée de Microsoft depuis la sortie de SQL Server 2000 incluant la brique Analysis Services. De nombreuses sociétés ont fait l’acquisition de SQL Server 2000 dans le but de déployer uniquement la partie décisionnelle (Analysis Services). Le taux de progression de la plate-forme Microsoft est supérieur à la moyenne du marché. On peut penser que la courbe de pénétration du marché devrait repartir en 2006 du fait de l’arrivée de SQL Server 2005 (8 nov. 2005) incluant une plate-forme décisionnelle complète. État du marché mondial de l’OLAP en 2005 Tableau B.1 — Les 10 leaders OLAP en 2005 Rang sur le marché

Évolution sur année précédente

% de parts de marché

Microsoft ecosystem

1

➚

28,0 %

Hyperion Solutions incluant Brio Tech

2

➘

19,3 %

Cognos (incluant Adaytum)

3

➘

14,0 %

Business Objects (incluant Crystal Décisions)

4

➚

7,4 %

Microstrategy

5

➚

7,3 %

SAP (BW)

6

➘

5,9 %

Cartesis

7

➚

3,8 %

Systems Union

8

➚

3,4 %

Oracle

9

➘

3,4 %

Applix

10

➚

3,2 %

Éditeur

Le tableau ci-dessus montre la répartition des parts du marché mondial de l’OLAP avec l’évolution entre 2004 et 2005. La dynamique du marché français des solutions décisionnelles Aujourd’hui les éditeurs d’ERP ont l’ambition affirmée d’étendre les fonctionnalités de leurs applications transactionnelles disposant déjà d’un embryon de reporting vers les applications analytiques décisionnelles (tableaux de bord, balanced scorecard, KPI, etc.).

388

———————————————————————————————————————————————————

• • • •

CRM 40%

Décisionnel Décisionnel

30%

ERP

20%

B. Le marché mondial de la BI aujourd’hui

ETL Data Mining Reporting Applications analytiques

670 M€

ERP

ERP 452 M€

Décisionnel CRM

10%

Logiciel global

Logiciel global

0%

-10% Décisionnel ERP CRM Logiciel global

392 M€

Sécurité

2000

2001

2002

2003

32,0% 15,8% 117,7% 11,6%

27,6% 9,9% 6,8% 8%

7,2% 3,5% -4,6% -1,1%

8,4% 2,0% -4,1% 0,6%

197 M€

CRM

0

200

400

600

Figure B.2 — Le décisionnel représente le marché le plus dynamique de l’informatique (source : IDC)

Microsoft (Excel, Proclarity, SSRS) BO (Crystal), Cognos, Panorama, Hyperion (Brio), Temtec

Analyse multidimensionnelle Microsoft, Hyperion, Microstrategy Oracle, IBM

SAS, SPSS, KXEN, Microsoft

Data Mining

OLAP

Informatique Décisionnelle

Ascential, Informatica, Sunopsis Oracle, Microsoft, IBM, Cognos, BO Hummingbird, SAS

Office 2007, BSM, Panorama

KPI

ETL IBM, Oracle, Microsoft

SGBD/R Figure B.3 — Panorama des éditeurs de solutions décisionnelles

Le marché mondial de la BI aujourd’hui

—————————————————————————————————————————————————————

389

Tableau B.2 — Liste des éditeurs qui offrent des solutions décisionnelles Éditeur

SGBD/R

Moteur OLAP

Actuate

Ascential (IBM)

ETL Nimble Technology

DB2

DB2 OLAP Server (Moteur OLAP d’Hyperion)

Business Objects

Restitution Actuate 7 e-Analysis Actuate Query

DataStage

Business Data Integrator

Enterprise 6 Crystal Decisions

Decision Stream

Serie 8 Impromptu (requêtage) Powerplay (analyse ad hoc) Reportnet (rapports web)

Informatica

PowerCenter PowerExchange

Analytics PowerAnalyser

Information Builders

Iway

Cognos

PowerCube

Hummingbird

Desktop OLAP

Genio

BI Suite

Hyperion

Essbase

Brio Performance suite 8

Microstrategy

Moteur ROLAP

Microstrategy 7 (reporting masse, ad hoc, analyses multi dim)

Microsoft

SQL Server 2005

OLAP (Analysis Services et UDM)

Integration Services

Excel, office 2007, Reporting services, Proclarity

Oracle

Oracle

Oracle 10 i R2 OLAP

Oracle BI Warehouse Datawarehouse builder

Applications analytiques (OFA, OSA)

390

———————————————————————————————————————————————————

Éditeur

SGBD/R

B. Le marché mondial de la BI aujourd’hui

Moteur OLAP

SAS

ETL ETL

Sybase

Restitution SAS activitybased Management

IQ (moteur SQL optimisé pour le décisionnel)

Sunopsis

Sunopsis v3.2

Pourquoi Microsoft est-il entré sur le marché de l’OLAP ? Microsoft observe constamment les nouveaux marchés à forte capacité de croissance. Plusieurs facteurs ont guidé son choix avant d’entrer sur le marché OLAP. • La taille : Les marchés inférieurs à 1 M$ ne sont pas de nature à attirer l’attention de Microsoft. • Le taux de croissance : Microsoft s’intéresse à des marchés présentant un fort taux de croissance. • Les volumes : Microsoft vend des produits standard dans de très grands volumes, à des prix bas et faciles à déployer. • La synergie avec ses produits existants : renforcer la domination de Windows et Office est un objectif connu de Microsoft. Les technologies OLAP de SQL Server 2005 trouveront un écho avec Excel et en particulier la version 2007. • Il n’existe pas de compétiteur dominant : Hyperion, Cognos et Business Objects se partageaient le marché depuis le début des années quatre-vingt-dix. Aucun d’entre eux n’avait la capacité à freiner les ardeurs de Microsoft. En 1996, le marché de l’OLAP présentait toutes les conditions requises pour une arrivée de Microsoft sur ce marché, aux côtés d’Oracle, Informix, Seagate et IBM. Le positionnement de Microsoft avec SQL Server 2005 (version Enterprise) est de couvrir l’ensemble des domaines de l’informatique décisionnelle (SGBD, ETL, reporting, analyse, data mining). Selon un principe qui lui a bien réussi dans le domaine de la bureautique avec Word et Excel, Microsoft souhaite imposer un standard des bases de données en incluant dès maintenant une offre décisionnelle complète. Parallèlement à cette percée de la BI, les grands éditeurs d’ERP ont la ferme intention d’étendre les fonctionnalités de leurs applications transactionnelles disposant déjà d’un embryon de reporting vers les applications analytiques décisionnelles (tableaux de bord, analyses ad hoc, balanced scorecard, KPI, etc.).

C Les différentes versions de SQL Server 2005

Express

Workgroup

Standard

Adaptée aux développeurs pour apprendre, construire et déployer

La base de données pour les petites entités et les activités en croissance

La plate-forme complète pour la gestion et l’analyse des données destinée aux entités moyennes à grandes

1 Proc 1 Go mémoire 4 Go base Outil d’administration simplifié Sécurité intégrée Support XML & Améliorations T-SQL Intégration .Net & CLR Serveur de rapports Import/Export Client Réplication

Enterprise La plate-forme intégrée pour la gestion et l’analyse de données des applications critiques de l’entreprise

2 Proc 3 Go mémoire

4 Proc versions 32 & 64-bit

Pas de limitation + Partitionnement

Outil d’administration Management Studio

Miroir de BD limité Cluster 2 noeuds

Miroir BD complet & Cluster 8 nœuds

Integration Services (ETL)

Opérations en ligne et redémarrage rapide

Analysis Services (Serveur OLAP)

Clichés BD

SQL Agent Assistant d’optimisation Recherche en texte intégral Serveur de Réplication limité Transfert journaux (Log shipping)

Réplication complète

Outils avancés (ETL, OLAP et Data Mining)

Notification Services

Serveurs de rapports multiples

Data Mining

Gratuit

Figure C.1 — Comparaison des versions de SQL Server 2005

La version Express Manager Cette version remplace MSDE. Il s’agit d’une version allégée de la version Workgroup. Cette version gratuite dispose maintenant d’un outil d’administration (Express Manager) : • Pas de haute disponibilité.

392

———————————————————————————————————————————————

C. Les différentes versions de SQL Server 2005

• Pas de décisionnel (ni KPI, ni Olap UDM). • Pas d’ETL (Integration Services). • Pas de recherche en texte ni d’agent SQL. • Pas de Notification Services. • Pas de réplication Oracle. • Réplication SQL Server limitée. • Reporting très limité. Version SQL server Workgroup Cette version est destinée aux applications départementales. Elle dispose de recherche en texte intégral et de l’agent SQL. L’outil d’administration est Management Studio doté d’un assistant de paramétrage de la base de données. Limitations : • reporting limité. • limité à 2 processeurs. • limité à 3 Go de mémoire. Exclusions : • pas de haute disponibilité. • pas de décisionnel ni KPI, ni UDM. • pas de réplication Oracle. • pas de 64 bits. Édition standard Cette édition dispose des fonctionnalités de data mining : • Réplication SQL Server. • Décisionnel (KPI et UDM). Sauf Perspectives et mesures semi-additives. • Outil d’administration complet (Management studio). Limitations : • la haute disponibilité est limitée à deux nœuds pour les clusters. • ETL simplifié (import/export, et transformations de base). • limité à 4 processeurs.

Les différentes versions de SQL Server 2005

—————————————————————————————————————————————————

Exclusions : • pas de réplication Oracle. • pas de partitionnement des tables. • pas de cache pro-actif. • pas d’opérations on-line. • pas de partitionnement des cubes OLAP. Édition Enterprise • Haute disponibilité illimitée. • ETL complet. • Data mining (dix algorithmes). • Réplication Oracle. • Replication SQL Server. • Décisionnel illimité. • Très haute performance (93 000 utilisateurs SAP concurrents).

393

D Les profils d’apprentissage des différents acteurs de la BI

Le parcours d’apprentissage peut être suivi selon un axe métier IT (Information Technology) ou selon un axe outils. Dans le parcours présenté ci-dessous, nous parcourrons les compétences à acquérir par module outil puis dans chaque outil nous présenterons les profils IT. Ces profils se décomposent en quatre catégories : • utilisateur professionnel; • administrateur; • développeur; • architecte. Parcours d’apprentissage pour SQL Server Integration Services (SSIS)

Parcours d’auto-formation pour le profil Utilisateur professionnel SSIS Un travailleur du savoir remplit le rôle traditionnel d’expert dans le domaine de l’aide à la décision : c’est un acteur qui comprend les données métier et est capable de traduire ces données en informations utiles pour l’entreprise. Souvent, le travailleur du savoir est celui qui analyse l’activité de l’entreprise pour identifier les problèmes, les opportunités et les caractéristiques du projet. Dans cette catégorie, on trouve des fonctions telles que : • analyste d’entreprise;

396

————————————————————————————————————

D. Les profils d’apprentissage des différents acteurs de la BI

• formateur technique; • chargé de l’assistance technique et des opérations; • administrateur réseau. Tableau D.1 — Parcours de formation pour le profil Utilisateur professionnel SSIS Thèmes abordés pour l’utilisateur professionnel SSIS

Parcours d’apprentissage

Améliorations version 2005

Stocke, traite et sécurise les données

Présentation des packages

Packages Integration Services Éléments de flux de contrôle Composants des flux de données Objets et concepts d’Integration Services

Création de packages

Création de solutions de projets IS Création de packages dans le concepteur SSIS Création de packages à l’aide de l’assistant Import et Export

Ajout de fonctionnalités aux packages SSIS

Journalisation dans les packages Utilisation des expressions de propriétés des packages Utilisation des variables dans les packages Création de configuration de base Points d’arrêt dans les packages Incorporation des transactions dans les packages

Dépannage des packages

Débogage du flux de contrôle Débogage d’un flux de données

Déploiement des packages

Déploiement des packages SSIS

Parcours d’auto-formation pour le profil Administrateur d’Integration Services Un administrateur gère et optimise les solutions et les projets au niveau opérationnel. Il peut se voir attribuer différentes fonctions telles que : • administrateur de base de données; • administrateur de serveur de rapports (informatique d’entreprise); • expert en sécurité; • administrateur d’entrepôts de données.

Les profils d’apprentissage des différents acteurs de la BI

——————————————————————————————————————

397

Tableau D.2 — Parcours de formation pour le profil Administrateur de SSIS Thèmes abordés pour l’administrateur professionnel SSIS

Parcours d’apprentissage

SSIS

Améliorations apportées à SSIS Notion de packages SSIS

Migration des versions antérieures des packages DTS

Compatibilité descendante de SSIS Migration des packages DTS Utilisation de l’assistant Migration de package

Enregistrement et exécution de packages

Enregistrement des packages Sauvegarde et restauration des packages Exécution des packages Planification de l’exécution d’un package dans l’Agent SQL Server Utilisation des points d’arrêt dans les packages

Contrôle de l’exécution des packages

Service Integration Services Analyse des performances et de l’activité de SSIS

Déploiement des packages

Création de configuration de package Création d’un utilitaire de déploiement Installation des packages Redéploiement des packages

Parcours d’auto-formation pour le profil Développeur Integration Services Un développeur conçoit et implémente des solutions suivant la technologie préconisée par l’architecte SSIS, l’assistance opérationnelle de l’administrateur SSIS et les commentaires de l’utilisateur final de SSIS. Le développeur SSIS peut revêtir les fonctions suivantes : • développeur d’applications; • développeur de rapports; • développeur ETL; • programmeur datawarehouse; • programmeur de base de données; • modélisateur de données. Tableau D.3 — Parcours de formation pour le profil Développeur de SSIS Thèmes abordés pour le développeur SSIS

Parcours d’apprentissage

SSIS

Améliorations apportées à SSIS

Programmation SSIS

Integration Services Programming Extension des packages grâce aux tâches de script

398

————————————————————————————————————

D. Les profils d’apprentissage des différents acteurs de la BI

Thèmes abordés pour le développeur SSIS

Parcours d’apprentissage

Programmation des flux de contrôle

Construction de packages par programmation Survol du développement de tâches personnalisées

Programmation de flux de données

Programmer les flux de données Composants personnalisés Propriétés des flux de données

Extension des packages avec des fonctionnalités avancées

Création et utilisation des variables de packages Programmation de la gestion des événements dans SSIS Programmation du loging

Documentation de référence sur le langage SQL Server

Guide de référence de Transact-SQL Information de référence des expressions SSIS Référence du langage MDX (accès OLAP) Guide de référence du langage DMX (data mining) XMLA (XML pour Analysis)

Exemples de programmation

Transformation d’agrégation et colonne dérivée Package d’exécution de processus Utiliser le modèle SMO pour énumérer les tables utilisateur Exemple de source ADO Composant de transformation Composant de suppression de doublons

Parcours d’auto-formation pour le profil Architecte Integration Services L’architecte choisit les technologies à utiliser pour l’implémentation d’une solution Integration Services. Il privilégie l’interaction et l’interopérabilité entre les projets de l’entreprise. L’architecte assure une vision d’ensemble et une cohérence des projets au sein d’une solution Integration Services. On retrouve des fonctions telles que : • architecte de datawarehouse; • architecte des données d’entreprise. Tableau D.4 — Parcours de formation pour le profil Architecte de SSIS Thèmes abordés pour l’Architecte SSIS

Parcours d’apprentissage

SSIS

Améliorations apportées à SSIS

Composants SQL Server 2005

Moteur de base de données SQL Server SQL Server Analysis Services (SSAS) SQL Server Reporting Services (SSRS) SQL Server Notification Services Service Broker

Les profils d’apprentissage des différents acteurs de la BI

Thèmes abordés pour l’Architecte SSIS

——————————————————————————————————————

399

Parcours d’apprentissage

Utilisation d’Intégration services dans les solutions d’entreprise

Développement de solutions de business intelligence Conception et création de packages Integration Services Programmation de SSIS

Configuration système requise

Éditions et composants de SQL Server 2005 SSIS et les ordinateurs 64 bits Connaissance de la configuration matérielle et logicielle requise pour l’installation de SQL server 2005 Paramètre de l’outil d’analyse de configuration système

Compatibilité descendante

Compatibilité descendante de SSIS avec DTS 2000 Utilisation de plusieurs versions de SQL Server (2000/2005) Migration des packages DTS

Considération sur les implications d’un déploiement international

Manipulation de données multilingues Paramètres régionaux Windows Incidence sur l’exploration de texte et correspondance floue (fuzzy lookup) dans un contexte multilingue

Parcours d’apprentissage pour SQL Server Analysis Services (SSAS)

Parcours d’auto-formation pour le profil Utilisateur professionnel SSAS Tableau D.5 — Parcours de formation pour le profil Utilisateur Professionnel SSAS Thèmes abordés pour l’utilisateur professionnel SSAS

Parcours d’apprentissage

Concepts

Développement de solutions et projets Analysis Services Modèle dimensionnel unifié (UDM) Concepts d’exploration de données (data mining)

Gestion Analysis Services

Utilisation de OLAP Utilisation de l’exploration de données Traitement des objets Analysis Services (dimensions, mesures, cubes, etc.)

Langages

Référence au langage MDX (accès aux cubes OLAP) Référence au langage DMX (data mining)

400

————————————————————————————————————

D. Les profils d’apprentissage des différents acteurs de la BI

Thèmes abordés pour l’utilisateur professionnel SSAS

Parcours d’apprentissage

Outils

Présentation de BIDS (business intelligence Development Studio) Présentation de SQL Server Management studio

Dépannage des packages

Débogage du flux de contrôle Débogage d’un flux de données

Déploiement des packages

Déploiement packages SSIS

Parcours d’auto-formation pour le profil Administrateur SSAS Tableau D.6 — Parcours de formation pour le profil Administrateur Professionnel SSAS Thèmes abordés pour l’Administrateur SSAS

Parcours d’apprentissage

Concepts

Les rôles SSAS (sécurité d’accès aux données)

Administration

Mise à niveau ou migration d’Analysis Services Traitement des objets Analysis Services via l’interface IHM Traitement des objets Analysis Services à l’aide de Integration Services Analyse des performances de SSAS Sauvegarde et restauration d’une base de données Analysis Services Sécurisation d’Analysis Services

Déploiement

Utilisation de l’assistant de déploiement SSAS

Langages

MDX DMX

Outils

Présentation de BIDS Présentation de SQL Server Management Studio

Parcours d’auto-formation pour le profil Développeur SSAS Tableau D.7 — Parcours de formation pour le profil Développeur SSAS Thèmes abordés pour le Développeur SSAS Concepts

Parcours d’apprentissage Architecture d’Analysis Services Concept de SSAS Assemblys SSAS afin d’étendre les fonctions d’entreprise de MDX et DMX

Les profils d’apprentissage des différents acteurs de la BI

Thèmes abordés pour le Développeur SSAS

——————————————————————————————————————

401

Parcours d’apprentissage

Langages

MDX DMX

Programmation de l’accès aux données

Schema Rowsets XML for Analysis (XMLA) accès à toutes les sources multidimensionnelles standard. ADOMD.NET (accès à SSAS ou toutes bases multidimensionnelles via TCP/IP ou HTTP)

Programmation de l’administration

Langage de script pour SSAS (ASSL) DSO pour gérer les objets Analysis services (serveurs, sources de données, cubes, modèles de mining)

Parcours d’auto-formation pour le profil Architecte SSAS Tableau D.8 — Parcours de formation pour le profil Architecte SSAS Thèmes abordés pour l’Architecte SSAS

Parcours d’apprentissage

Concepts

Modèle dimensionnel unifié Concept d’exploration de données

Planification

Fonctionnalités prises en charge par les éditions SQL Server 2005 Compatibilité descendante de SSAS Mise à niveau ou migration d’Analysis Sevices Considérations sur la localisation des applications SSAS

Autres composants

SSIS SSRS Moteur de base de données SQL Server

Parcours d’apprentissage pour SQL Server Reporting Services (SSRS)

Parcours d’auto-formation pour le profil utilisateur professionnel de Reporting Services Les utilisateurs de SSRS créent des rapports pour leurs propres besoins et, éventuellement, pour d’autres personnes au sein de l’organisation. Un utilisateur professionnel orienté reporting connaît les types de données gérés par l’organisation et cherche à exploiter ces données pour réaliser d’autres tâches métier. Souvent, l’utilisateur exécute des rapports pour analyser des données et identifier les opportunités métier. Il peut également collecter et distribuer des infor-

402

————————————————————————————————————

D. Les profils d’apprentissage des différents acteurs de la BI

mations sur les processus et les ressources de l’organisation. Les tâches associées au rôle d’utilisateur de reporting se retrouvent dans les fonctions suivantes : • directeur commercial; • assistant de direction; • chef de projet. Tableau D.9 — Parcours de formation pour le profil Utilisateur professionnel de SSRS Thèmes abordés pour l’utilisateur SSRS

Parcours d’apprentissage

Concepts de SSRS

Présentation de Reporting services Rapports et définitions de rapport

Recherche et affichage des rapports

Démarrage du gestionnaire de rapports Recherche de rapports sur le serveur de rapports Affichage de rapports Utilisation du dossier Mes Rapports

Exportation et Impression des rapports

Exportation des rapports Enregistrement des rapports Impression d’un rapport

Création des rapports

Création d’un rapport avec l’assistant Lancer le générateur de rapports Importation d’états à partir d’Access Aperçu des rapports Publication de rapports

Abonnements aux rapports

Vue d’ensemble des abonnements S’abonner à un rapport Planification d’un abonnement

Parcours d’apprentissage pour le profil Analyste de Reporting Services Les analystes d’entreprise créent des rapports et des modèles de données pour leurs propres besoins ou pour d’autres personnes au sein de l’organisation. Un analyste crée des rapports pour identifier les tendances, les opportunités, les problèmes d’un projet métier. Les fonctions habituelles que l’on retrouve sont les suivantes : • modélisateur de données; • analyste de gestion;

Les profils d’apprentissage des différents acteurs de la BI

——————————————————————————————————————

403

• analyste financier; • contrôleur de gestion; • analyste commercial. Tableau D.10 — Parcours de formation pour le profil Analyste de SSRS Thèmes abordés pour l’Analyste SSRS

Parcours d’apprentissage

Concepts de SSRS

Présentation de Reporting Services Rapports et définitions de rapport Modèles de rapport Méthodes de création de rapport Utilisation des données dans SSRS Région de données Mise en page et rendu des rapports

Définition des données du rapport

Connexion à une source de données Récupération des données relationnelles à partir d’une base SQL Server Utilisation de paramètres dans un rapport Filtrage de données Expressions dans Reporting Services

Conception et publication des rapports

Conception de la mise en page de rapport Fonctionnalités interactives Aperçu des rapports Déploiement de rapports dans un environnement de production

Conception de modèles de rapport

Utilisation du générateur de modèles Création d’un projet de modèle de rapport

Parcours d’apprentissage pour le profil Administrateur de SSRS Un administrateur du serveur de rapports installe, configure, sécurise et gère le déploiement d’un serveur de rapports. Un administrateur de SSRS doit avoir une vision claire de la topologie du réseau et la configuration des ordinateurs utilisés pour l’hébergement des composants SQL Server 2005 Reporting Services et pour l’accès à ces derniers. Les fonctions d’administration de SSRS sont les suivantes : • administrateur de base de données; • administrateur du serveur de rapports (service informatique); • expert en sécurité; • administrateur principal de base de données.

404

————————————————————————————————————

D. Les profils d’apprentissage des différents acteurs de la BI

Tableau D.11 — Parcours de formation pour le profil Administrateur de SSRS Thèmes abordés pour l’Administrateur SSRS

Parcours d’apprentissage

Concepts de SSRS

Serveur de rapports Définition de rapports Rapports liés Captures instantanées de rapport Espace de nom de dossier du serveur de rapports Comptes dans un déploiement de SSRS

Configuration

Liste de vérification pour le déploiement du serveur Liste de vérification pour l déploiement de rapports Configuration des composants de SSRS Déploiement sur Internet

Sécurité

Configuration de la sécurité du serveur de rapports Utilisation de la sécurité basée sur les rôles

Administration du serveur

Modification des mots de passe et des comptes de services Administration d’une base de données du serveur de rapports Gestion et utilisation des rapports publiés

E Glossaire de la BI

action Lance une action prédéfinie sur un cube ou une partie d’un cube. Une action permet par exemple de lancer un rapport ou d’effectuer un drill through en cliquant sur une cellule du cube.

analyse de scénarios Technique adoptée pour concevoir des scénarios à caractère commercial en mettant à jour des données, puis en analysant les effets des modifications apportées aux données. Les analyses de scénarios font partie intégrante d’Excel et de SQL Server OLAP grâce à la technique d’écriture différée.

Analysis Server Composant serveur d’Analysis Services spécialement conçu pour créer et entretenir des structures de données multidimensionnelles et produire des données multidimensionnelles en réponse aux requêtes des clients. Voir aussi données multidimensionnelles, OLAP.

attribut Un fait décrivant chaque position d’une dimension.

agrégation Action de calculer les valeurs associées aux positions parentes des dimensions hiérarchiques. Cette agrégation peut être une somme, une moyenne ou toute autre opération plus complexe.

406

——————————————————————————————————————————————————————————————————————

E. Glossaire de la BI

axe Ensemble de tuples où chaque tuple est un ensemble de membres issus de différentes dimensions. Un ensemble d’axes définit les coordonnées d’un jeu de données multidimensionnelles. Plus simplement, correspond à une dimension du cube. Voir aussi tranche, tuple.

Balanced Scorecard Méthode consistant à décliner les objectifs d’une entreprise en indicateurs de performance clés.

base de données multidimensionnelle OLAP Modèle de base de données traitant les données non comme des tables et des colonnes relationnelles, mais en tant que cubes d’information dont les cellules comportent des données de synthèse et de dimension. Chaque cellule est fonction d’un ensemble de coordonnées qui précisent sa position dans les dimensions de la structure. Par exemple, la cellule située aux coordonnées {SALES, 1997, WASHINGTON, SOFTWARE} dévoile la synthèse des ventes de logiciels réalisées dans l’État de Washington en 1997.

base de données relationnelle Ensemble d’informations organisées sous forme de lignes et de colonnes dans des tables. Chaque table détermine une classe d’objets pour l’organisation concernée. Les requêtes peuvent exploiter les données d’une table pour rechercher des données associées dans d’autres tables. Les liens entre les tables (qui donnent la possibilité de traiter simultanément les données de plusieurs tables) sont établis à l’aide de jointures entre les champs clés.

BI (business intelligence) Concept désignant les moyens permettant de rassembler, intégrer, analyser et partager des données de l’entreprise afin d’optimiser la prise de décision. Par extension, BI désigne les solutions logicielles combinant à des fins décisionnelles des fonctions d’interrogation de bases de données, de reporting, d’analyse multidimensionnelle (ou OLAP), de data mining et de visualisation des données.

catégorie S’emploie pour décrire ou classifier les données détaillées d’une société, par exemple la date d’une transaction, un produit donné, un client donné ou une région commerciale. Les catégories peuvent être regroupées en catégories plus larges, par exemple les dates sont regroupées en mois et les mois en années.

cellule Une donnée définie par une position de chaque dimension (comme dans le cas d’un document Excel).

Glossaire de la BI

————————————————————————————————————————————————————————————————————————

407

champ Zone d’une fenêtre ou d’un enregistrement stockant une valeur de données unique. Certaines bases de données interprètent le champ comme un synonyme de la colonne.

checkpoint Point de contrôle permettant une reprise des traitements de chargement des données dans un ETL.

clé de membre Propriété d’un niveau de dimension qui spécifie les identificateurs des membres du niveau. La valeur de cette propriété peut désigner une colonne dans laquelle figurent les identificateurs ou une expression correspondant aux identificateurs.

connexion Liaison établie entre le complément et un cube Analysis Services.

cookies Certains sites web enregistrent sur votre disque dur des informations à votre sujet (par exemple, la date de votre dernière connexion). On appelle ces informations « cookies ». Internet Explorer enregistre les cookies dans le dossier Cookies de Windows. Vous pouvez les supprimer sans aucun danger.

CPM (Corporate Performance Management) Outil de pilotage global des performances de l’entreprise. Afin de répondre aux contraintes de la loi Sarbanes-Oxley, le CPM permet d’obtenir une vue globale non seulement sur les performances financières mais en outre de la conformité des résultats par rapport aux prévisions.

CRM (Customer Relationship Management) Gestion de la relation client.

cross-sell Technique de vente consistant à proposer au client un produit lié à celui demandé, soit parce qu’il existe un lien technique, soit parce que l’étude des comportements des consommateurs montre l’existence d’une corrélation entre les ventes des deux produits.

cube Ensemble de données organisées et synthétisées dans une structure multidimensionnelle définie par un ensemble de dimensions et de mesures. Dans le cas de nombreuses dimensions, on parle d’« hypercube »). Bien qu’un hypercube com-

408

——————————————————————————————————————————————————————————————————————

E. Glossaire de la BI

porte normalement plus de trois dimensions, on emploie souvent le synonyme « cube multidimensionnel » pour le désigner. Voir aussi dimension, mesure, base de données multidimensionnelle, OLAP.

cube local Cube créé et stocké avec l’extension .cub sur un ordinateur local. On parle également de cube hors connexion.

cube virtuel Cube logique fondé sur un ou plusieurs cubes réguliers ou liés.

datamart Sous-ensemble d’un datawarehouse lié à un métier de l’entreprise (finance, marketing, RH, etc.) et conçu pour répondre aux besoins d’un groupe spécifique d’utilisateurs en respectant les exigences de sécurité de l’entreprise. L’entreprise peut construire des datamarts "Ventes", "Finance" ou "Ressources Humaines" en ayant l’assurance que les utilisateurs n’ont accès qu’aux données qui les concernent. Les datamarts simplifient également le travail des services informatiques en leur permettant de gérer pour chaque communauté d’utilisateurs des ensembles de données moins volumineux.

datamining Méthode d’exploitation automatique des données visant à révéler les tendances, récurrences et corrélations entre les données. Basé sur des méthodes d’analyse statistique et/ou d’intelligence artificielle, le data mining permet de déceler des informations essentielles difficiles à repérer « à l’œil nu » telles que les corrélations entre des événements, des relations de causes à effets, des classifications, des regroupements, des projections et des prévisions. On parle aussi de Web mining.

datawarehouse Entrepôt de données, isolé des systèmes opérationnels, permettant d’agréger des données thématiques, intégrées, non volatiles et historisées, dans un but de faciliter la prise de décision.

datastore Base de données intermédiaire avant spécialisation.

dataweb Accès à une base de données via un serveur Internet et un navigateur web, quel que soit sa plate-forme d’hébergement, sa localisation ou le format des données.

Glossaire de la BI

————————————————————————————————————————————————————————————————————————

409

décisionnel Processus d’utilisation des connaissances issues des informations et des données générées par les processus métier de l’entreprise pour déterminer la meilleure action à entreprendre, la meilleure décision à prendre. Le reporting et l’analyse sont des outils décisionnels typiques. L’analyse décisionnelle aide la prise de décisions stratégiques en permettant de visualiser les données de l’entreprise à l’aide d’indicateurs métier.

descendant Dans une hiérarchie de dimension, membre associé au membre d’un niveau supérieur de la même dimension. Par exemple, dans une dimension de temps composée des niveaux Année, Trimestre, Mois et Jour, Janvier est un descendant de 2005. Voir aussi enfant, parent, frère.

dimension Attribut structurel d’un cube constituant une hiérarchie organisée de catégories (niveaux) qui décrivent les données d’une table de faits. Ces catégories décrivent généralement un ensemble identique de membres sur lesquels les utilisateurs souhaitent fonder une analyse. Par exemple, une dimension géographique peut inclure des niveaux Pays, Région, Département et Ville. Voir aussi table de faits, mesure, niveau.

dimension de temps Dimension divisant le temps en niveaux, tels que Année, Trimestre, Mois et Jour. Dans Analysis Services, type spécial de dimension créée à partir de la colonne date/heure.

DOLAP (Desktop OLAP) Ce terme désigne un petit produit OLAP faisant de l’analyse multidimensionnelle en local. Il peut impliquer l’utilisation d’une minibase multidimensionnelle ou de l’extraction de cube.

données source Lignes ou enregistrements sous-jacents d’une base de données fournissant les données d’un rapport.

drill down (zoom en profondeur) C’est la fonctionnalité d’analyse des données qui permet, en cliquant sur une donnée ou sur une dimension, d’obtenir un nouveau rapport avec un niveau d’information supplémentaire se rapportant à la zone cliquée. Cette fonctionnalité permet d’approfondir un axe d’analyse en descendant aux niveaux de détail de plus en plus fins d’un système multidimensionnel.

410

——————————————————————————————————————————————————————————————————————

E. Glossaire de la BI

drill through (zoom en travers) Fonctionnalité d’analyse des données qui permet, comme le drill down, d’obtenir un niveau de détails supplémentaire, mais ici, l’accès se fera à une base différente. Cette base peut être soit un cube multidimensionnel, soit une base relationnelle.

drill up (forage arrière) Fonction de zoom arrière d’un outil décisionnel permettant, en cours d’analyse, de passer d’un niveau de détail fin à un niveau de données plus synthétique.

DSS (Decision Support System) Système d’interrogation et de présentation des données adapté à l’aide à la décision. Appelé aussi SIAD (système d’information d’aide à la décision) ou encore EIS.

écriture différée Données de scénarios enregistrées et écrites dans le cube. Ces données sont disponibles pour une analyse ultérieure et peuvent être consultées et partagées par d’autres personnes ayant accès au cube. Voir aussi analyse de scénarios.

EIP (Enterprise Information Portal) Portail d’entreprise donnant un point d’accès unique à l’ensemble des ressources : données, applications, services…

EIS (Executive Information System) Tableaux de bord et graphiques synthétiques présentant une vision assez large de l’activité.

enfant Membre du niveau inférieur suivant dans la hiérarchie directement associé au membre actuel. Par exemple, dans une dimension de temps composée des niveaux Trimestre, Mois et Jour, Janvier est un enfant du trimestre 1 (Q1).

ERP (Enterprise Resource Planning) ou PGI (progiciel de gestion intégré) L’ERP regroupe tout ou partie des applications nécessaires à la gestion de l’entreprise. Que ce soit des applications horizontales (comptabilité, paie, facturation, gestion des ressources humaines) ou verticales (gestion de production, gestion de stocks par secteur d’activité). Les ERP se dotent progressivement de fonctions décisionnelles et front office.

ETL (extract, transform, load) Outils destinés à l’extraction, à la transformation et au chargement des données dans un datawarehouse.

Glossaire de la BI

————————————————————————————————————————————————————————————————————————

411

expression personnalisée Expression chargée de renvoyer des données à un rapport selon une ou plusieurs conditions.

expressions multidimensionnelles (MDX) Syntaxe servant à définir des objets multidimensionnels et à interroger et manipuler des données multidimensionnelles.

extraction Action d’extraire des données détaillées à partir desquelles les données d’une cellule du cube ont été synthétisées. Voir drill through.

FASMI (Fast Analysis of Shared Multi-dimensional Information) « Analyse rapide d’information multidimensionnel partagée ». Critères retenus pour simplifier les règles de E. Codd et faciliter l’évaluation des outils OLAP.

filtre de page Filtre dans un rapport affichant des sous-ensembles de données.

frère Dans une hiérarchie de dimensions, membre spécifié du même parent. Par exemple, dans une dimension de temps dotée des niveaux Année et Mois, les membres Janvier 2005 et Février 2005 sont des frères. Voir aussi enfant, descendant, parent.

frère (membre) Dans une structure arborescente, élément sans éléments subordonnés. Par exemple, dans Analysis Services, un frère est un membre de dimension qui n’a pas de descendants.

hiérarchie Les positions d’une dimension organisées selon une série de relations (1 – n) en cascade. Cette organisation de données est comparable à un arbre logique où chaque membre n’a pas plus d’un père mais un nombre quelconque d’enfants. Exemple de hiérarchie temporelle : Année/Trimestre/Mois/Jour.

hiérarchie de dimension Une des hiérarchies d’une dimension. Voir aussi hiérarchie.

Historiser Stocker des données pour leur utilisation à long terme. Une fois historisées, les données ne sont plus volatiles, elles entrent dans l’histoire (d’une entreprise, par exemple). Voir datawarehouse.

412

——————————————————————————————————————————————————————————————————————

E. Glossaire de la BI

HOLAP (Hybrid OLAP) La solution HOLAP combine les avantages des solutions MOLAP et ROLAP.

Hypercube Voir cube.

jeu de sélection Définit le niveau des données à insérer dans un rapport.

jointure imbriquée Action de fusionner le contenu de deux ou plusieurs dimensions et de produire un ensemble de résultats qui englobe les lignes et les colonnes de chaque dimension. Par exemple, une jointure imbriquée fusionne les données des villes de la dimension Magasins et les données des boissons de la dimension Produits.

magasin de données Base de données spécialement structurée pour les requêtes et l’analyse. Un magasin de données contient généralement des données qui illustrent l’historique commercial d’une organisation.

MDB (Multidimensional DataBase) Permet le stockage, le traitement et la restitution de données multidimensionnelles.

MDX Voir expressions multidimensionnelles.

membre Élément d’une dimension représentant une ou plusieurs occurrences de données. Un membre peut être unique ou non. Par exemple, 2004 et 2005 sont les membres uniques du niveau Année d’une dimension de temps tandis que Janvier représente les membres non uniques du niveau Mois car la dimension de temps peut révéler plusieurs fois le mois de janvier si elle contient des données sur plusieurs années.

membre calculé Membre d’une dimension dont la valeur est calculée à l’aide d’une expression. Les valeurs des membres calculés peuvent provenir des valeurs d’autres membres. Par exemple, vous pouvez définir un membre calculé Profit en soustrayant la valeur du membre Coûts de celle du membre Ventes.

membre frère Membre de dimension qui n’a pas de descendants.

Glossaire de la BI

————————————————————————————————————————————————————————————————————————

413

mesure Dans un cube, ensemble de valeurs, généralement numériques, basées sur une colonne dans la table de faits du cube. Les mesures sont des valeurs centrales qui sont agrégées et analysées. Voir aussi cube, table de faits.

métadonnées Les métadonnées constituent l’ensemble des données qui décrivent des règles ou processus attachés à d’autres données.

modèle en étoile Arrangement de tables dans une base de données relationnelles. Au centre, on trouve la table de faits; les branches de l’étoile qui rayonnent à partir de la table de faits correspondent aux dimensions.

modèle en flocon Le modèle en flocon reprend les principes du modèle en étoile; le flocon est une étoile dont les branches sont décomposées en sous-hiérarchies.

MOLAP (Multidimensional OLAP) Stocke les données basiques et leurs agrégations sur un serveur spécialisé OLAP.

monter dans la hiérarchie/descendre dans la hiérarchie Technique permettant de parcourir les niveaux de données, du plus synthétisé (vers le haut) au plus détaillé (vers le bas). Par exemple, lorsqu’il consulte les données détaillées des ventes annuelles, un utilisateur peut descendre d’un niveau dans la hiérarchie pour afficher les données par trimestre, puis encore d’un niveau pour afficher les données par mois.

multidimensionnel Structure de données ayant au moins trois dimensions indépendantes.

niveau Nom désignant un ensemble de membres dans une hiérarchie de dimension où tous les membres sont placés à distance égale de la racine de la hiérarchie. Par exemple, une hiérarchie de temps comprend les niveaux Année, Mois et Jour. Voir aussi dimension, hiérarchie.

niveau hiérarchique Au sein d’une hiérarchie, les positions sont en général organisées en niveaux. Les positions d’un même niveau correspondent à une classification précise.

414

——————————————————————————————————————————————————————————————————————

E. Glossaire de la BI

nom de membre Propriété d’un niveau de dimension qui spécifie les noms des membres du niveau. La valeur de cette propriété peut désigner une colonne dans laquelle figurent les noms ou une expression correspondant aux noms.

OLAP (Online Analytical Processing) Technologie utilisant des structures multidimensionnelles pour offrir un accès rapide aux données en vue d’une analyse. Les données source OLAP sont souvent stockées dans les magasins de données d’une base de données relationnelle. Voir aussi magasin de données, base de données relationnelle.

parent Membre du niveau supérieur suivant dans la hiérarchie directement associé au membre actuel. La valeur parente est généralement une consolidation des valeurs de tous ses enfants. Par exemple, dans une dimension de temps composée des niveaux Trimestre, Mois et Jour, le trimestre 1 (Q1) est le parent de Janvier. Voir aussi enfant, descendant, frère.

pivoter (table pivot) Possibilité de modifier l’aspect d’un rapport en déplaçant un champ (ou un groupe de champs) de ligne en colonne ou inversement. On peut également ajouter des champs en les sélectionnant dans une liste de choix.

position Une valeur d’une dimension.

propriété de membre Information supplémentaire stockée dans un cube OLAP Analysis Services et décrivant un membre de dimension.

rapport au format libre Rapport offrant une granularité au niveau des cellules et ne dépendant pas de la structure des données source sous-jacentes. Les rapports au format libre peuvent combiner des données de plusieurs sources OLAP. Le rapport au format libre fait l’objet d’un add-in dans Excel. Il est intégré à Excel 2007. Voir aussi rapport structuré.

rapport structuré Rapport dépendant de la structure des données source sous-jacentes et offrant des fonctions d’analyse avancées. Le rapport au format structuré fait l’objet d’un add-in dans Excel. Il est intégré à Excel 2007.

Glossaire de la BI

————————————————————————————————————————————————————————————————————————

415

reporting Outil de mesure de faits a posteriori.

repository Référentiel permettant de stocker les métadonnées c’est à dire les données qui décrivent les données.

ROLAP (Relational OLAP) Les données ne sont pas stockées dans le cube mais dans une base de données relationnelles selon les principes OLAP.

rollback Permet d’annuler un processus de mise à jour dans une base de données relationnelle. La phase de Commit permet d’appliquer définitivement les modifications apportées dans la base.

SGBD (système de gestion de bases de données) Les bases de données relationnelles (SGBDR) ont tendance à se banaliser. Domaines de prédilection d’Oracle, IBM (DB2), SQL Server, MySql.

SIAD (système d’information d’aide à la décision) Équivalent de EIS.

supply chain Gestion et optimisation de la chaîne logistique, de la fabrication d’un produit à sa distribution finale.

table de faits Table centrale dans un schéma de magasin de données composée de mesures numériques et de clés associant des faits à des tables de dimension. Les tables de faits renferment des données qui décrivent des événements inhérents à une activité commerciale, tels que des transactions bancaires ou des ventes de produits. Voir aussi magasin de données.

tableau de bord Rapport dynamique composé d’indicateurs clés d’une activité, permettant d’avoir une vision globale des performances; il s’agit d’un outil de mesure et de pilotage.

tableau croisé dynamique Action de transformer les lignes en colonnes et inversement.

total visuel Valeur de cellule agrégée et affichée pour un membre de dimension et cohérente avec les valeurs de cellules affichées pour ses enfants. Le total visuel d’une cellule

416

——————————————————————————————————————————————————————————————————————

E. Glossaire de la BI

peut être différent du total réel si certains enfants de la cellule sont masqués. Par exemple, si la fonction d’agrégation est SUM, la valeur de cellule affichée pour Espagne est 1000, celle de Portugal est 2000 et le total visuel pour Péninsule ibérique est 3000.

tranche Sous-ensemble de données dans un cube, spécifié en limitant une ou plusieurs dimensions en fonction des membres de la dimension. Par exemple, des faits propres à une année donnée forment une tranche d’un ensemble de données portant sur plusieurs années. Voir aussi axe.

tuple Ensemble ordonné de membres appartenant à différentes dimensions. Par exemple, (Boston, [1995]) est un tuple composé de membres de deux dimensions : Géographie et Temps. Un membre unique est un cas dégénéré de tuple qui peut être utilisé comme expression sans parenthèses. Voir aussi axe.

up-sell Technique de vente consistant à proposer au client un produit générant une marge plus élevée que celui demandé, soit typiquement un produit plus cher. Cette technique s’appuie sur l’identification des besoins et habitudes de consommation des clients, et en particulier sur du marketing one-to-one et des outils CRM.

Index

A Accès au détail (drillthrough) 249 Action 13, 211, 249 ActiveX 344 Add-in Excel 368 Agent SQL Server 106 Agrégations 251 paramétrer les – 256 Alimentation 13 Analyse 188 ad hoc 181, 332, 390 de cube 341 de données avec Excel 331 de séquence 264 Analysis Services 179 Approche itérative 361 Arbre de décomposition 84, 348 ASCII 304 Assistant d’exportation 146 d’importation 146 Association 263 Attribut 186 lié 237 Attrition 24

B Balanced scorecard 34, 64, 390 Bâle 2 22 Base de données multidimensionnelle 181 BIDS 108 BO 62 Briefing book 352 BSC 34 Business intelligence 3, 11, 33, 245 Business Objects 377 Business Performance Management 369 Business Scorecard Management 67 Business Scorecard Manager 347 intégré 62

C Cache proactif 96, 98, 183, 190 Calcul 188, 211, 244 Capture instantanée 320 Carte de performance 85, 350 Cellule feuille 241 Checkpoint 46 Classification 262 Clé étrangère 222 principale 222 CLR (Common Langage Runtime) 183

418

——————————————————————————————————————————————————

Clusters 270, 283 Cockpit 11 de pilotage 373 Codd Edgar 8 Cognos 377 Collecte de données 13 Comportement semi-additif 246 Concepteur de rapport 293 Configuration 171, 174 Conteneur de boucle For 118 Foreach 114 de séquences 118 Conversion monétaire 246 Cookies 20 CPM (Corporate Performance Management) 378 CRM 19 Cross-sell 20 Crystal 62 CSV 304 Cube 97, 211, 240 déploiement 194 local 337 multidimensionnel 179 OLAP 181 Cycle en V 30

D Dashboard Server 358 Data mining 180, 181, 259 Datamart 94, 104 Dataset 294, 307 Datawarehouse 17, 45, 94 Date Chris 8 Décision stratégique 68 tactique 68 Decision tree 270, 283 Dénormalisation 105 Destination 130 Développement linéaire 361

Business Intelligence avec SQL Server 2005

Dimension 181, 182, 186, 193, 194, 196, 197, 211, 232 à multiples hiérarchies 96 à variation lente (Slowly changing dimensions) 48, 96, 135 attributs 235 de data mining 187 de fait 187 de référence 187 hiérarchie 221 intelligence 246 parent-enfant 96 plusieurs à plusieurs 187 propriétés 234 structure 238 temporelle 47 utilisation 242 Dimensionnel 45 DMX (Data Mining Extensions) 119 Domaine analytique 9 transactionnel 9 Donnée catégorielle 76 Drill down 48, 83, 181, 220, 301, 305, 324 Drill up 181, 220, 305 DTS 2000 112

E Échelle nominale 76 ordinale 76 Écriture différée 246 EIS (Executive Information System) 25 Enjeux du décisionnel 7 Entrepôt de données 104 ERP 9, 46, 96 Espace d’analyse 13 ETL (Extract, Transform, and Load) 46, 181 d’entreprise 369 Étude de faisabilité 32 Excel 377 2007 343 Explorateur de Package 110 Exploration vers le bas 301

Index

———————————————————————————————————————————————————————————————————————————————————

F FASMI 56 Fichier plat 132 Filtre 219 Flux de contrôle 104, 108 de données 104, 109, 130 Fonction lookup 105 Fouille de données 62 FrontPage 344 FTP 107 Fuzzy lookup 65

G Gestion des rapports 308 du risque 22 Gestionnaire d’événements 109 de rapports 293 Graphique croisé dynamique 337 GRC 19 Groupe de mesures 187, 240

H HOLAP (Hybride OLAP) 252 HTML 304 Hyperion 377

I Indicateur clé de performance 24, 189 de performance 64 externe 13 Infocentres 25 Informatique décisionnelle 3 Inmon Bill 380 Integration Services (SSIS) 101 Intellicube 193 Intelligence comptable 245 Intervalle de latence 191 de reconstruction forcée 191 IRR 365

419

J Journal des audits 184 Juste à temps 22

K Kaplan Robert 34, 373 Key Users 62 Kimball Ralph 47, 94, 177, 380 KPI (Key Performance Indicator) 24, 47, 62, 80, 183, 211, 246, 390

L Loi SOX 46 LOLF 21 Lot 104

M Mapping 134 MapPoint 369 MDX requête 300 script 183, 188 Membre calculé 245 inféré 136 non-feuille 241 Mesure 50, 181, 193, 197 calculée 244 semi-additive 230 Metadata 183 Microsoft Access 373 Microsoft Clustering 272 Microsoft Decision Trees 270 Microsoft Naïve Bayes 272 Migration de lots DTS 163 Modèle Clusters 280 d’autorisations 184 de données entité-relation 49 de rapports 294 Decision Tree 275 dimensionnel 49 multidimensionnel 183 Naïve Bayes 278 relationnel 183

420

——————————————————————————————————————————————————

Modélisation 60 MOLAP (Multidimensional OLAP) 252 MS Access 345 MS Excel 345 MS Query 339

N Naïve Bayes 270, 283 Navigateur 212, 225, 239 de données 250 Navigation en mode web 356 Professional 355 standard 355 Niveaux d’abstraction 10 Norton David 34, 373 Notification Services 98 NPV 365

O Office 2007 67 Excel pour SSAS 332, 340 PerformancePoint 369 Web Components 368 OLAP (On line Analytical Processing) 8, 55, 56, 57, 180, 230 OLTP (On Line Transactional Processing) 45, 46, 49, 53, 56, 181 Opérateur unaire 246 OWC (Office Web Components) 332, 344, 347

P Package 104 automatisation de l’exécution 169 déploiement 167 dynamique 171 enfant 123 parent 123 Panorama software 67 Paramètres 306 Partition 211 Partitionnement multiple 254 PAS (Proclarity Analytics Server) 351

Business Intelligence avec SQL Server 2005

PDF 304 Performances 184 Période de latence 191 silencieuse 191 Perspective 97, 187, 212, 249 PGI 9, 46 PivotTable 332 Plan 127 Planification 320 Planning 21 POC (proof of concept) 374 Powerplay 62, 377 Procédure stockée 183, 189 Processus 196 d’apprentissage 11 de décision 7 Proclarity 67, 84, 347, 348 for Business Scorecard 348 Professional 357 Productivité 21 Profils d’apprentissage 395 Projet décisionnel 374 Prototype 375 Pull 190 Push 190

R Rapport abonnement 323 clichés d’historique 321 exécution 318 historisation 321 lié 318 matriciel 297 tabulaire 297 RDL 373 Recherche exacte 105 floue 105 Référentiel 60 métier 10 Région de données 294 Régression 262 Relation d’écart ou de déviation 79

Index

———————————————————————————————————————————————————————————————————————————————————

de comparaison nominale 82 de corrélation 82 de distribution 81 Report Builder 64, 294, 324, 373 Reporting 15, 26, 47, 57 financier 21 interactif 344 Reporting Services 67, 289 droits 310 rôles 312 tâches 310 Réseau de dépendance 277 Retour sur investissement 365 ROI 365 ROLAP (Relational Olap) 252, 254 Rôle 184, 187, 309 administrateur système 314 utilisateur système 314 Rollback 46 Roll-up 181

S SAP NetWeaver business intelligence 99 Sarbane-Oxley 22 Scénario 68 Schéma en étoile 49 en flocons 198 Sécurité 309 Segmentation 263 Serveur de rapports (Report server) 293 Services de notification 99 SharePoint Portal 62, 67, 369 SMDL (Semantic Model Definition Language) 325 SMTP 323 Sniffing 184 Solution décisionnelle 368 Solver 68 Source 129 de données 193, 199 Spoofing 184 SQL Server 2005 Enterprise 391, 393 Express 391 Express Manager 391

Standard 391, 392 Workgroup 391, 392 SQL Server Agent 169 SQLiMail 128 SSAS 229 SSIS 92 SSRB 324 SSRS 291 Stratégie 13

T Table de dimensions 50 de faits 50 Tableau croisé dynamique 64, 182, 332 de bord 11, 13, 25, 64 Tâche d’exécution de Package 123 DTS 2000 123 de processus 124 de requêtes SQL 124 d’insertion en bloc 125 DDL 119 de flux de données 119 de script 120 de service Web 122 de système de fichiers 122 de traitement Analysis Services 122 de transfert d’objets SQL Server 123 de base de données 122 de connexions 122 de messages d’erreur 122 de procédures stockées 123 de travaux 126 Envoyer un message 125 FTP 126 Lecteur de données WMI 126 MSMQ 126 observateur d’événements WMI 126 XML 127 TIFF 304 Time Intelligence 245 Traçabilité 184

421

422

——————————————————————————————————————————————————

Traduction 212, 238, 250 Traitement incrémentiel 257 Transformation 129 Translation 183

Business Intelligence avec SQL Server 2005

Vue des sources de données (Data Source Views, DSV) 96, 193 en perspective 86, 351

W

U UDM (Unified Dimensional Model) 64, 93, 94, 96, 97, 183, 191, 343 Up-sell 20

Webpart 248 Workflow 107 Writeback 183

V Visual Studio 373

X XML 92, 304

050536 – (I) – (1,5) – OSB 100° – SCM – API Achevé d’imprimer sur les presses de SNEL Grafics sa Z.I. des Hauts-Sarts - Zone 3 Rue Fond des Fourches 21 – B-4041 Vottem (Herstal) Tél +32(0)4 344 65 60 - Fax +32(0)4 289 99 61 décembre 2006 – 40711 Dépôt légal: janvier 2007 Imprimé en Belgique

TYPE D’OUVRAGE L'ESSENTIEL

SE FORMER

RETOURS D'EXPÉRIENCE

MANAGEMENT DES SYSTÈMES D'INFORMATION

ÉTUDES, DÉVELOPPEMENT, INTÉGRATION EXPLOITATION ET ADMINISTRATION

BUSINESS INTELLIGENCE AVEC SQL SERVER 2005

RÉSEAUX & TÉLÉCOMS

Mise en œuvre d'un projet décisionnel Ce livre s’adresse aux directeurs informatiques, administratifs, financiers et opérationnels, ainsi qu’à tout responsable informatique ayant à mettre en œuvre des systèmes décisionnels. Il intéressera aussi les consultants et les architectes en systèmes d’information. On assiste aujourd'hui à une démocratisation de l'informatique décisionnelle. Chaque décideur qui le souhaite peut désormais disposer de puissants outils d'analyse, de reporting ou de data mining. Cet ouvrage donne un cadre méthodologique à la mise en œuvre d’un projet décisionnel complet, en s’appuyant sur les nouvelles fonctions de Business Intelligence offertes par SQL Server 2005. Après avoir passé en revue les principes fondamentaux qui président à la réalisation d’un projet décisionnel, il identifie les pièges à éviter et les facteurs clés de succès. Il montre ensuite comment une solution de Business Intelligence peut analyser les renseignements stratégiques de l'entreprise, quels sont les différents indicateurs disponibles, et comment les interpréter pour définir des cibles, des prévisions ou des tendances. Des cas concrets expliquent comment mettre en œuvre la Business Intelligence dans l’entreprise avec SQL Server 2005. De nombreuses ressources complémentaires sont disponibles sur le site www.buroformatic.com.

6639389 ISBN 978-2-10-050536-4

www.dunod.com

BERTRAND BURQUIER est consultant et ingénieur en systèmes d’information, spécialisé dans la Business Intelligence. Il dirige depuis 1985 le cabinet de conseil BuroFormatic. Il est également formateur en entreprise et enseigne la Business Intelligence à l’Institut de management de l’université de Savoie.

BUSINESS INTELLIGENCE

APPLICATIONS MÉTIERS

Bertrand Burquier

APPLICATIONS & MÉTIERS

B. BURQUIER

INFOPRO

BUSINESS INTELLIGENCE AVEC

SQL SERVER 2005 Mise en œuvre d'un projet décisionnel

Bertrand Burquier